关于基于Shapley值的联邦学习中贡献度指标的波动性

联邦学习是一种协作且隐私保护的机器学习范式，允许在不集中化敏感数据的情况下开发稳健的模型。在FL中，公平且准确地分配各参与者的贡献是一个关键挑战。不准确的分配可能削弱信任，导致不公平的报酬，进而使参与者缺乏加入或积极参与联邦的动机。目前已提出 various remuneration strategies，包括拍卖方法和基于Shapley值的 methods，后者提供了衡量每个参与者贡献的手段。然而，几乎没有研究这些贡献评估方法的稳定性。本文使用基于梯度的 model reconstruction技术结合Shapley值来评估联邦学习中的参与者贡献，并将基于round的贡献与经典数据贡献度测量方案进行比较。我们对Shapley值在 various aggregation strategies下的差异进行了广泛分析，并在整体层面和每个客户端层面上进行了考察。我们表明，在不同的聚合技术之间，Shapley值导致参与者之间不稳定的奖励分配。我们的分析涵盖了 various data heterogeneity distributions，包括独立且同分布 (IID)和非IID情形。