面向横向联邦学习的高效客户端贡献评估
机器学习
2021-03-01 v1 音频与语音处理
摘要
在联邦学习(FL)中，公平且准确地度量每个联邦参与方的贡献具有重要意义。贡献水平不仅为联邦参与方之间分配经济利益提供合理度量，也有助于发现试图毒化FL框架的恶意参与方。以往的贡献度量方法基于对所有可能的联邦参与方组合进行枚举，其计算代价随参与方数量或特征维度急剧增加，导致无法应用于实际场景。本文提出一种评估联邦参与方贡献的高效方法。本文聚焦于横向FL框架，其中客户端服务器在其本地数据上计算参数梯度，并将梯度上传至中央服务器。在聚合客户端梯度之前，中央服务器使用强化学习技术训练梯度的数据价值估计器。实验结果表明，所提方法在估值真实性与时间复杂度方面均一致优于传统的留一法。
引用
@article{arxiv.2102.13314,
title = {Efficient Client Contribution Evaluation for Horizontal Federated Learning},
author = {Jie Zhao and Xinghua Zhu and Jianzong Wang and Jing Xiao},
journal= {arXiv preprint arXiv:2102.13314},
year = {2021}
}
备注
Accepted to ICASSP 2021