FedRandom：在联邦学习中获取一致且准确的贡献值采样
机器学习
2026-02-06 v1 分布式、并行与集群计算
摘要
联邦学习是一种面向机器学习任务的隐私保护分布方法。在以有限实体拥有丰富数据的行业部署中，参与者在塑造全局模型方面的作用变得至关重要，因为参与联邦过程会产生成本，参与者可能期望获得报酬。此外，参与者的贡献也是识别和解决潜在恶意行为者和走样者的关键手段。然而，公平评估个人贡献仍是一个重大挑战。最近的研究表明，贡献估计在聚合策略中存在相当大的内在不稳定性。虽然采用不同的策略可能带来收益，但这种不稳定性可能对参与者参与联邦的意愿产生潜在的负面影响。在本工作中，我们引入FedRandom，这是一种针对贡献不稳定性问题的新型缓解技术。将不稳定性视为统计估计问题，FedRandom允许我们生成比使用常规FL策略时更多的样本。我们展示，这些额外的样本提供了更一致和可靠的参与者贡献评估。我们使用不同的CIFAR-10、MNIST、CIFAR-100和FMNIST数据分布，并表明FedRandom在评估场景中一半以上的情况下将到地面真实值的距离缩短了超过三分之一，并且在超过90%的情况下提高了稳定性。
引用
@article{arxiv.2602.05693,
title = {FedRandom: Sampling Consistent and Accurate Contribution Values in Federated Learning},
author = {Arno Geimer and Beltran Fiz Pontiveros and Radu State},
journal= {arXiv preprint arXiv:2602.05693},
year = {2026}
}