基于效用约束随机聚合的联邦学习以提升理性参与
机器学习
2026-05-19 v1
摘要
联邦学习（FL）算法隐式地假设客户端会被动地遵循服务器端的编排，在服务器请求时共享本地模型更新。然而，这忽略了现实世界跨孤岛环境中的一个重要方面：客户端通常是理性的智能体，可能会将本地模型性能等自身效用置于全局模型之上。在存在显著统计异质性的场景中，如果合作的感知收益未能达到其本地效用阈值，理性的客户端可能会选择退出联邦。这种流失会降低全局模型性能，并可能导致联邦训练过程的崩溃。在这项工作中，我们引入了 FedUCA（基于效用约束随机聚合的联邦学习以提升理性参与），这是一个将服务器角色形式化为优化器的框架，旨在通过维持客户端参与度来最大化全局模型性能。我们通过在标准数据集上的大量实验验证了我们的框架，结果表明通过优先考虑参与可行性，FedUCA 实现了显著更高的客户端留存率，从而获得了更优的全局模型性能。
引用
@article{arxiv.2605.18020,
title = {Federated Learning by Utility-Constrained Stochastic Aggregation for Improving Rational Participation},
author = {M Yashwanth and Arunabh Singh and Ashok Nayak and Sai Kiran Bulusu and Anirban Chakraborty},
journal= {arXiv preprint arXiv:2605.18020},
year = {2026}
}
备注
Federated Learning, Rational Clients, Endogenous Participation, and Aggregation