受社交启发的自适应联盟与客户选择机制：联邦学习中的客户端协同优化
机器学习
2025-10-16 v2
摘要
联邦学习（FL）通过隐私保护的协作式模型训练实现了数据共享，但其有效性常受客户端数据异构性的限制。我们引入一种客户端选择算法，该算法（i）基于渐近一致性动态形成不重叠的客户端联盟（coalition），（ii）从每个联盟中选择一个代表性客户端以最小化模型更新的方差。我们的做法受到社交网络建模的启发，利用基于亲疏关系的接近度矩阵进行谱聚类，并采用识别最具信息量个体以估计群体总体意见的技术。我们在轻度、标准的联邦学习假设下，为该算法提供了理论收敛保证。最后，我们通过对抗三个强大的异构性感知基线进行基准测试来验证我们的做法；结果表明该框架在提高准确率和加快收敛速度方面均表现出色，表明该方法既在理论上有依据，又在实际中有效。
引用
@article{arxiv.2506.02897,
title = {Socially inspired Adaptive Coalition and Client Selection in Federated Learning},
author = {Alessandro Licciardi and Roberta Raineri and Anton Proskurnikov and Lamberto Rondoni and Lorenzo Zino},
journal= {arXiv preprint arXiv:2506.02897},
year = {2025}
}