如何在去中心化联邦学习中评估参与者的贡献
机器学习
2025-08-04 v2
摘要
联邦学习 (FL) 使多个客户端能够协作训练机器学习模型而无需共享本地数据。特别是，客户端在没有中央服务器的情况下交换模型的去中心化联邦学习 (DFL)，因能缓解通信瓶颈而受到关注。在 DFL 中评估参与者贡献对于激励积极参与和提高透明度至关重要。然而，现有的 FL 贡献评估方法均假设在中心化设置下，由于两个挑战而无法直接应用于 DFL：每个客户端无法访问非相邻客户端的模型，以及需要追踪贡献如何随时间与对等模型交换相结合进行传播。为了应对这些挑战，我们提出了一种用于 DFL 的新型贡献评估方法 TRIP-Shapley。TRIP-Shapley 通过追踪逐轮本地贡献的传播来构建客户端的整体贡献。通过这种方式，TRIP-Shapley 准确反映了延迟和渐进的影响传播，并允许轻量级协调器节点在不收集模型的情况下，仅基于每个客户端报告的本地可观测贡献来估计整体贡献。实验表明，TRIP-Shapley 足够接近真实的 Shapley 值，可扩展至大规模场景，且在面对不诚实客户端时依然保持鲁棒性。
引用
@article{arxiv.2505.23246,
title = {How to Evaluate Participant Contributions in Decentralized Federated Learning},
author = {Honoka Anada and Tatsuya Kaneko and Shinya Takamaeda-Yamazaki},
journal= {arXiv preprint arXiv:2505.23246},
year = {2025}
}