联邦学习中的福利与公平动态：一种客户端选择视角
机器学习
2023-02-20 v1 机器学习
摘要
联邦学习（FL）是一种保护隐私的学习技术，使分布式计算设备能够跨数据孤岛协作训练共享学习模型。现有的联邦学习工作大多侧重于设计先进的联邦学习算法以提高模型性能。然而，客户端的经济考量，如公平性和激励机制，尚未得到充分探索。缺乏这些考量，自利的客户端可能会失去兴趣并退出联邦。为解决此问题，我们设计了一种新颖的激励机制，该机制包含一个用于剔除低质量客户端的客户端选择过程，以及一个用于确保公平奖励分配的货币转移过程。我们的实验结果有力地证明，所提出的激励机制能够有效提高联邦的持续时间和公平性。
引用
@article{arxiv.2302.08976,
title = {Welfare and Fairness Dynamics in Federated Learning: A Client Selection Perspective},
author = {Yash Travadi and Le Peng and Xuan Bi and Ju Sun and Mochen Yang},
journal= {arXiv preprint arXiv:2302.08976},
year = {2023}
}