迈向联邦学习中公平、鲁棒且高效的客户端贡献评估
机器学习
2024-02-08 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
在联邦学习（FL）中，客户端的性能可能因各种原因而异。评估每个客户端的贡献对于客户端选择和补偿至关重要。这极具挑战性，因为客户端通常拥有非独立同分布（non-iid）数据，导致潜在的噪声或发散的更新。恶意客户端的风险加剧了这一挑战，尤其是在无法访问客户端的本地数据或基准根数据集时。在本文中，我们引入了一种名为公平、鲁棒且高效的客户端评估（FRECA）的新方法，用于量化 FL 中的客户端贡献。FRECA 采用名为 FedTruth 的框架来估计全局模型的真实更新，在平衡所有客户端贡献的同时过滤掉恶意客户端的影响。该方法对 Byzantine 攻击具有鲁棒性，并结合了 Byzantine 弹性聚合算法。FRECA 也是高效的，因为它完全基于本地模型更新运行，不需要验证操作或数据集。我们的实验结果表明，FRECA 能够以鲁棒的方式准确且高效地量化客户端贡献。
引用
@article{arxiv.2402.04409,
title = {Towards Fair, Robust and Efficient Client Contribution Evaluation in Federated Learning},
author = {Meiying Zhang and Huan Zhao and Sheldon Ebron and Kan Yang},
journal= {arXiv preprint arXiv:2402.04409},
year = {2024}
}