FedCM：联邦学习中参与方的实时贡献度度量方法
机器学习
2021-02-12 v2 密码学与安全
机器学习
摘要
联邦学习(FL)为多个智能体协作构建兼顾数据隐私的模型创建了生态系统。FL系统中各智能体贡献度度量方法对公平信用分配至关重要，但鲜有提出。本文中，我们开发了一种简单而强大的实时贡献度度量方法FedCM。该方法定义各智能体的影响，综合考虑当前轮与上一轮，通过注意力聚合获得各智能体贡献率。此外，FedCM每轮更新贡献度，使其能实时运行。现有方法未考虑实时性，但实时性对FL系统分配算力、通信资源等至关重要。与最先进方法相比，实验结果表明FedCM在实时前提下对数据量与数据质量更敏感。此外，我们开发了基于FedCM的联邦学习开源软件。该软件已应用于基于医学影像的COVID-19识别。
引用
@article{arxiv.2009.03510,
title = {FedCM: A Real-time Contribution Measurement Method for Participants in Federated Learning},
author = {Boyi Liu and Bingjie Yan and Yize Zhou and Zhixuan Liang and Cheng-Zhong Xu},
journal= {arXiv preprint arXiv:2009.03510},
year = {2021}
}