轻量且鲁健的联邦数据估值
机器学习
2025-10-01 v1
摘要
联邦学习（FL）因数据分布非独立同分布（non-IID）和恶意客户端行为而面临持续的鲁健性挑战。一种有前景的缓解策略是贡献评估，通过量化每个客户端对全局模型的效用来实现自适应聚合。然而，基于Shapley价值的现有方法因重复模型再加权和推理而导致高计算开销，限制了其可扩展性。我们提出了FedIF，一种新颖的FL聚合框架，利用基于轨迹的影响力估计高效计算客户端贡献。FedIF改进了去中心化FL，引入从客户端更新和公共验证集上执行的轻量级梯度操作计算的归一化平滑影响得分。理论分析表明，FedIF在噪声条件下可获得更紧致的全局损失变化单步界限。大量实验在CIFAR-10和Fashion-MNIST上表明，FedIF在标签噪声、梯度噪声和对抗样本的存在下，鲁健性可与或超过基于Shapley值的SV方法相当，同时将聚合开销降低最高可达450倍。消融研究确认了FedIF设计选择的有效性，包括局部权重归一化和影响平滑。我们的结果表明，FedIF是一种实用且理论严谨、可扩展的替代方案，适用于实际部署中高效且鲁健的联邦学习。
引用
@article{arxiv.2509.25560,
title = {Lightweight and Robust Federated Data Valuation},
author = {Guojun Tang and Jiayu Zhou and Mohammad Mamun and Steve Drew},
journal= {arXiv preprint arXiv:2509.25560},
year = {2025}
}