FedMABA：通过多臂老虎机分配实现公平化联邦学习
机器学习
2024-10-29 v1 密码学与安全
摘要
日益增长的数据隐私关注促进了联邦学习（FL）这一隐私保护的协作范式的快速发展。然而，FL中各客户端之间的统计异质性导致服务器模型在不同客户端之间表现不一致。服务器模型可能对某些客户端表现出偏好，而对其他客户端则表现不佳，这加剧了公平性挑战。在本文中，我们重新审视客户机性能分布中的不一致性，提出以对抗性多臂老虎机为优化目标，并对性能差异施加明确约束。实际情况下，我们提出一种新颖的基于多臂老虎机的分配联邦学习算法（FedMABA），以缓解不同数据分布下的客户机之间性能不公平问题。在不同非独立同分布情景下的大量实验表明，FedMABA在提升公平性方面表现卓越。
引用
@article{arxiv.2410.20141,
title = {FedMABA: Towards Fair Federated Learning through Multi-Armed Bandits Allocation},
author = {Zhichao Wang and Lin Wang and Yongxin Guo and Ying-Jun Angela Zhang and Xiaoying Tang},
journal= {arXiv preprint arXiv:2410.20141},
year = {2024}
}