FairEquityFL: 异构车联网网络中联邦学习的公平与均衡客户端选择
机器学习
2025-09-25 v1
摘要
联邦学习（FL）已被广泛应用于机器学习的众多应用，主要得益于其隐私保护特性和在降低通信开销方面的效率。车联网（IoV）是一个有前景的应用领域，其中FL可用于更高效地训练模型。由于每次FL训练轮次中只有部分客户端可以参与，客户端选择过程中的公平性挑战随之出现。多年来，学术界和工业界的众多研究者提出了多种FL框架。然而，据我们所知，尚无框架在动态和异构的IoV环境中利用公平性进行基于FL的客户端选择。因此，本文设想了FairEquityFL框架，以确保所有客户端在FL训练过程中有公平的机会参与。具体而言，我们在选择器中引入了一个采样均衡器模块，以确保客户端选择过程中所有客户端的公平协作机会。选择器还负责监控和控制每个FL训练轮次中客户端的参与。此外，强制执行异常检测机制，基于模型性能在准确率或损失最小化方面的显著波动来识别恶意客户端。选择器标记可疑客户端并暂时将其排除在FL训练过程之外。我们进一步在公开可用的数据集FEMNIST上评估了FairEquityFL的性能。仿真结果表明FairEquityFL在很大程度上优于基线模型。
引用
@article{arxiv.2509.20193,
title = {FairEquityFL -- A Fair and Equitable Client Selection in Federated Learning for Heterogeneous IoV Networks},
author = {Fahmida Islam and Adnan Mahmood and Noorain Mukhtiar and Kasun Eranda Wijethilake and Quan Z. Sheng},
journal= {arXiv preprint arXiv:2509.20193},
year = {2025}
}
备注
Published in: Advanced Data Mining and Applications (ADMA 2024), Lecture Notes in Computer Science, vol. 15388, pp. 254-269. First online: 13 Dec 2024. DOI: 10.1007/978-981-96-0814-0_17. 422