联邦学习中考虑公平性的客户端选择
机器学习
2023-07-21 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）已使多个数据拥有者（即FL客户端）能够在不泄露私有数据的情况下协作训练机器学习模型。由于FL服务器每轮训练只能参与有限数量的客户端，FL客户端选择已成为一个重要研究问题。现有方法通常聚焦于提升FL模型性能或增强对FL客户端的公平对待。在选择FL客户端时平衡性能与公平性考量的问题仍未解决。为解决该问题，我们提出公平性感知的联邦客户端选择（FairFedCS）方法。它基于Lyapunov优化，通过联合考虑客户端声誉、参与FL任务的次数以及对所得模型性能的贡献，动态调整FL客户端的选择概率。由于不使用基于阈值的声誉过滤，它为FL客户端在表现不佳后提供了挽回声誉的机会，从而进一步增强公平的客户端对待。基于真实世界多媒体数据集的大量实验表明，与性能最佳的前沿方法相比，FairFedCS平均实现了高19.6%的公平性和高0.73%的测试准确率。
引用
@article{arxiv.2307.10738,
title = {Fairness-Aware Client Selection for Federated Learning},
author = {Yuxin Shi and Zelei Liu and Zhuan Shi and Han Yu},
journal= {arXiv preprint arXiv:2307.10738},
year = {2023}
}
备注
Accepted by ICME 2023