基于轨迹Shapley值的公平性联邦学习
机器学习
2026-05-29 v1
摘要
联邦学习是一种分布式范式，旨在解决异构、隐私敏感数据的挑战。它使多个客户端能够通过在服务器聚合其 local updates 来协同训练模型。然而，传统的聚合方案通常使用固定权重，而这些权重未能反映不平等且随时间变化的 client 贡献，导致学习偏斜和不稳定。为提高公平性和稳定性，我们提出了轨迹Shapley值(TSV)，这是一种贡献度度量，评估每个 client 对 global model 优化轨迹的影响，基于 validation-based、temporally consistent utility。基于 TSV，我们设计了 FedTSV，一种自适应聚合方法，将 per-round 评估转换为 dynamic client weights，使服务器能够实时响应异构和对抗性参与。基准数据集上的实验表明，FedTSV 加速了收敛，提高了鲁棒性，提供了更公平的贡献评估，从而为公平性联邦优化提供了原则性基础。
引用
@article{arxiv.2605.30336,
title = {Fairness-Aware Federated Learning with Trajectory Shapley Value},
author = {Daniel Kuznetsov and Ziqi Wang},
journal= {arXiv preprint arXiv:2605.30336},
year = {2026}
}
备注
Accepted for publication at the 24th European Control Conference (ECC 2026)