纵向联邦学习的公平高效贡献估值
机器学习
2025-08-25 v2
摘要
联邦学习是一种新兴技术，用于在跨分散数据源训练机器学习模型时不共享数据。纵向联邦学习，也称为基于特征的联邦学习，适用于数据源具有相同样本ID但不同特征集的场景。为确保数据所有者之间的公平性，客观评估不同数据源的贡献并相应补偿相应数据所有者至关重要。Shapley值是一种可证明公平的贡献估值度量，源于合作博弈论。然而，其直接计算需要在每个潜在的数据源组合上广泛重训练模型，由于多轮联邦学习导致极高的通信与计算开销。为应对这一挑战，我们提出一种基于经典Shapley值的贡献估值度量，称为纵向联邦Shapley值(VerFedSV)。我们证明VerFedSV不仅满足许多期望的公平性性质，而且计算高效。此外，VerFedSV可适配于同步与异步纵向联邦学习算法。理论分析与大量实验结果均证明了VerFedSV的公平性、高效性、适应性与有效性。
引用
@article{arxiv.2201.02658,
title = {Fair and efficient contribution valuation for vertical federated learning},
author = {Zhenan Fan and Huang Fang and Xinglu Wang and Zirui Zhou and Jian Pei and Michael P. Friedlander and Yong Zhang},
journal= {arXiv preprint arXiv:2201.02658},
year = {2025}
}