Owen抽样加速联邦学习中的贡献估计
机器学习
2025-10-07 v2
摘要
联邦学习（FL）聚合来自多个客户端的信息以训练共享全局模型，同时不暴露原始数据。准确估计每个客户端的贡献至关重要，不仅用于公平奖励，还用于选择最有用的客户端以加快全局模型收敛速度。Shapley 值是原则性的选择，但精确计算随客户端数量呈指数增长，难以应用于大规模联邦系统。我们提出 FedOwen 框架，使用 Owen 抽样在与现有方法相同的总评估预算下近似计算 Shapley 值，同时保持近似误差较小。此外，FedOwen 使用自适应客户端选择策略，在开发高价值客户端与探索欠抽样客户端之间进行平衡，降低偏差并发现少数且有信息量的数据。 在固定估值成本下，FedOwen 在非独立同分布（non-IID）基准测试上实现了比最先进基线高出最高 23% 的最终准确率。
引用
@article{arxiv.2508.21261,
title = {Owen Sampling Accelerates Contribution Estimation in Federated Learning},
author = {Hossein KhademSohi and Hadi Hemmati and Jiayu Zhou and Steve Drew},
journal= {arXiv preprint arXiv:2508.21261},
year = {2025}
}
备注
ECAI 2025 camera-ready; 8 pages + appendix; code link inside