FedCCEA：一种实用的联邦学习客户端贡献评估方法
机器学习
2021-06-07 v1 人工智能
分布式、并行与集群计算
计算机科学与博弈论
摘要
客户端贡献评估，亦称数据估值，是联邦学习（FL）中用于客户端选择与激励分配的关键方法。然而，由于原始数据可访问性的限制，仅本地权重与各客户端本地数据规模等有限信息可用于量化客户端贡献。利用可用信息中的数据规模，我们引入一种称为通过精度近似的联邦客户端贡献评估（FedCCEA）的经验评估方法。该方法构建精度近似模型（AAM），其以采样数据规模作为输入估计模拟测试精度，并提取客户端的数据质量与数据规模以度量客户端贡献。FedCCEA 强化了若干优势：（1）实现对客户端数据规模选择的支持，（2）与客户端数量无关的可行评估时间，以及（3）在非 IID 设置下的精确估计。我们通过若干实验证明 FedCCEA 相较先前方法的优越性：客户端贡献分布、客户端移除以及针对部分参与的鲁棒性测试。
引用
@article{arxiv.2106.02310,
title = {FedCCEA : A Practical Approach of Client Contribution Evaluation for Federated Learning},
author = {Sung Kuk Shyn and Donghee Kim and Kwangsu Kim},
journal= {arXiv preprint arXiv:2106.02310},
year = {2021}
}