GTG-Shapley：联邦学习中高效准确的参与者贡献评估

Sep, 2021

GTG-Shapley：联邦学习中高效准确的参与者贡献评估

GTG-Shapley: Efficient and Accurate Participant Contribution Evaluation in Federated Learning

Zelei Liu, Yuanyuan Chen, Han Yu, Yang Liu, Lizhen Cui

TL;DR该论文提出一种基于 Shapley Values 的计算方式 --GTG-Shapley，通过渐进方式重构 FL 模型来计算 Shapley 值，结合 Monte Carlo 采样和截断方案，可以在不暴露私人数据的前提下评估参与者对最终 FL 模型的贡献，尤其在非独立同分布的情况下增加计算效率。

Abstract

federated learning (FL) bridges the gap between collaborative machine learning and preserving data privacy. To sustain the long-term operation of an FL ecosystem, it is important to attract high quality data owne

federated learning data privacy incentive schemes shapley value-based computational efficiency

发现论文，激发创造

重新定义贡献：基于 Shapley 值的联邦学习

该研究提出了一种名为 ShapFed 的新型参与者贡献评估方法，利用合作博弈论中的 Shapley 值来对参与者的贡献进行精细化评估，并基于此提出了一种名为 ShapFed-WA 的加权聚合方法，尤其在类别不平衡的场景中表现优于传统的联邦平均方法，通过根据参与者的贡献个性化更新模型，进一步提高合作公平性。在 CIFAR-10、Chest X-Ray 和 Fed-ISIC2019 数据集上的实验证明了该方法在提高联邦学习系统的效用、效率和公平性方面的有效性。

Jun, 2024

联邦学习数据价值的原则方法

本文提出了一种适用于联邦学习的 Shapley 值变体，称为联邦 Shapley 值，它可以计算每个数据源的贡献，能够反映数据源的实际效用并有潜力提高系统的鲁棒性，安全性和效率。

Sep, 2020

CHG Shapley: 高效的数据评估与选择，迈向可靠的机器学习

通过计算每个数据子集对模型准确性的效用近似值，在单个模型训练期间推导 CHG（Conduct of Hardness and Gradient）评分的 Shapley 值闭式表达式，我们在大规模数据集上将数据估值方法从多次模型重训练的形式改进为等效于单次模型重训练，极大地提高了计算效率。同时，我们还利用 CHG Shapley 进行实时数据选择，证明其在识别高价值和有噪声数据方面的有效性。CHG Shapley 通过高效的数据估值方法促进了可信的模型训练，为信任值机器学习引入了一种新的以数据为中心的视角。

Jun, 2024

通过随机化聚合缓解联邦学习的贡献分配不稳定性

通过对基于梯度的模型重建技术与 Shapley 值的贡献计算进行稳定性分析，本研究提出了 FedRandom 作为一种更公平分布的可行聚合技术，它不仅可以提高贡献评估的准确性，而且能够增强联邦学习系统的整体公平性和稳定性，尤其适用于参与者数量有限的联邦网络。

May, 2024

利用集成学习实现医疗联邦学习中更有效的数据价值评估

提出一种称为 SaFE 的解决方案，该方案使用集成方法来计算 Shapley 值以寻找医疗影像中参与多机构协作学习的各个参与者的贡献，值得注意的是，SaFE 的计算成本比当前方法更低，并且能够更好地评估不同参与者的贡献。

Sep, 2022

评估联邦学习中客户贡献

我们提出了一种名为 FLContrib 的历史感知博弈理论框架，用于在每个联邦学习训练时期评估客户的贡献，通过利用联邦学习过程和 Shapley 值的线性性质，生成了客户贡献的历史时间轴。此外，我们还提出了一种调度过程，在有限的计算预算下考虑双边公平标准，仅在一部分训练时期进行昂贵的 Shapley 值计算，以平衡准确性和效率。通过将 FLContrib 应用于检测在 FL 训练中操纵数据的不诚实客户，我们展示了历史感知客户贡献的好处。

Mar, 2024

测量联邦学习中参与者的贡献

本文研究了在保护数据隐私的前提下，让多方参与建立模型的联邦机器学习生态系统中，如何公平计算每个参与方的贡献值。通过使用删除方法和 Shapley 值等简单而有力的技术计算组合实例影响和组合特征重要性，我们为研究模型贡献和信用分配在联邦机器学习中打开了大门。

Sep, 2019

机器学习中的 Shapley 公平性近似算法应用

该研究工作将 Shapley value 的公平性要求推广为大概近似 Shapley 公平性，并提出了一个名为 fidelity score 的度量，可以确定公平保证的概率程度。同时，还提出了一种新的贪心主动估计算法（GAE），该算法将最大化最低保真度的值，并利用现实世界的数据集在几种机器学习场景中验证了 GAE 的优越性，既保证了公正性，同时也在估计精度方面具有竞争力。

Dec, 2022

数据评估的加速 Shapley 值近似算法

通过利用机器学习问题的结构性质，我们提出了一种更高效的近似数据 Shapley 值的方法，此方法在不同学习设置中包括随机梯度下降和凸、非凸损失函数中证明了其近似 Shapley 值的准确性收敛性。实验证明，这种方法在保持数据的近似价值和排名的同时，提高了近似速度最高可达 9.9 倍，并且在使用小的子集进行精确评估时，对预训练网络的效率更高。

Nov, 2023

一种面向个性化联邦学习的联盟形成博弈方法

本文使用合作博弈理论中的 Shapley 值，提出了一种新的个性化联邦学习算法 pFedSV，它可以识别每个客户端的最佳合作者并基于 Shapley 值进行个性化模型聚合，实验结果表明相比于现有技术，该算法能够显著提高客户端的个性化准确度。

Feb, 2022