联邦学习中的历史感知与动态客户端贡献
机器学习
2025-08-26 v2 人工智能
密码学与安全
摘要
联邦学习（FL）是一种协作式机器学习（ML）方法，其中多个客户端参与训练 ML 模型而无需暴露其私有数据。公平且准确地评估客户端贡献有助于联邦学习中的激励分配，并鼓励多样化的客户端参与统一模型训练。现有的贡献评估方法采用了一种称为 Shapley 值的合作博弈论概念，但基于受限假设，例如所有客户端参与所有轮次或至少参与联邦学习的一轮。我们提出了一种名为 FLContrib 的历史感知客户端贡献评估框架，其中客户端参与是动态的，即每轮仅有一部分客户端参与。FLContrib 的理论基础基于联邦学习的马尔可夫训练过程。在此设置下，我们直接应用 Shapley 值的线性性质，并计算客户端贡献的历史时间线。考虑到计算预算有限的可能性，我们提出了双向公平标准，以便在部分轮次中调度 Shapley 值计算。实证表明，FLContrib 在多种效用函数下估计贡献时既高效又始终准确。作为实际应用，我们将 FLContrib 应用于基于历史 Shapley 值检测联邦学习中的不诚实客户端。
引用
@article{arxiv.2403.07151,
title = {History-Aware and Dynamic Client Contribution in Federated Learning},
author = {Bishwamittra Ghosh and Debabrota Basu and Fu Huazhu and Wang Yuan and Renuga Kanagavelu and Jiang Jin Peng and Liu Yong and Goh Siow Mong Rick and Wei Qingsong},
journal= {arXiv preprint arXiv:2403.07151},
year = {2025}
}
备注
Published at ECAI 2025