FL Games：一种用于分布偏移的联邦学习框架

May, 2022

FL Games：一种用于分布偏移的联邦学习框架

FL Games: A federated learning framework for distribution shifts

Sharut Gupta, Kartik Ahuja, Mohammad Havaei, Niladri Chatterjee, Yoshua Bengio

TL;DR本文提出了 FL Games，这是一个博弈理论框架，旨在通过学习跨领域不变关系来改善联邦学习中的预测模型泛化，FL Games 在多个基准测试中展现了高超的领域外表现。

Abstract

federated learning aims to train predictive models for data that is distributed across clients, under the orchestration of a server. However, participating clients typically each hold data from a different distribution, whereby predictive models with strong in-distribution generalizati

federated learning fl games invariant correlations non-i.i.d clients out-of-distribution performance

发现论文，激发创造

信息论分布多元化实现联邦泛化

我们的论文提出了一种信息论的泛化框架来解决联邦学习中的分布不一致问题，并通过引入加权聚合方法和客户端选择策略来增强泛化能力。

Oct, 2023

面向参与者的联邦学习中的协作：博弈论视角

本论文提出了一个新的分析框架来激励参与者中心的联邦学习，分别提出了两种贡献无关的 FL（COFL）和贡献感知 FL（CAFL）游戏模型，讨论了 Nash 平衡的独特性和存在性并设计了有效的算法来达到平衡解决方案。大量的性能评估表明，COFL 中存在着 free-riding 现象，而采用具有优化的最小阈值的 CAFL 模型可以大大缓解此现象。

Jul, 2022

页面：在联邦学习中实现个性化和普遍性的平衡

利用博弈论构建了一个基于强化学习的算法 PAGE，用于协同计算分布式机器学习模型的个性化和泛化，实验结果显示在全球和本地预测准确性上都明显优于其他基准模型。

Oct, 2023

梯度的竞赛：在联邦学习中缓解非相关客户端

本文介绍一种利用 Shapley 值及合作博弈理论解决联邦学习中选择相关客户的算法，并提出了基于 Shapley 值的 Federated Averaging 算法 (S-FedAvg)，该算法可以使服务器以高概率选择相关客户，实验结果表明在监督的联邦学习设置下，S-FedAvg 的性能优于基准线。

Oct, 2021

联邦学习的博弈理论框架

提出一种基于博弈论的安全模型，考虑了联邦学习中的隐私泄漏问题和防御者与攻击者的策略问题，通过引入一个神谕作为协调者，优化参与者的收益和隐私泄漏风险。

Apr, 2023

表现力联邦学习：应对模型依赖和异构分布漂移的解决方案

本文提出了一种基于分布漂移映射的执行预测的联邦学习框架，关键是提出了唯一可行的执行稳定解的必要和充分条件，并在全和部分参与方案下证明了实现 FedAvg 算法的 O (1/T) 速率下收敛到执行稳定解。

May, 2023

联邦学习的进展和开放问题

本文讨论联邦学习的最新进展和挑战，并提出了一系列开放性问题和挑战。

Dec, 2019

联邦学习能找到有益的朋友

该研究提出了一种新的算法，为参与联邦学习训练的客户分配自适应聚合权重，识别出最有利于特定学习目标的数据分布，实验证明通过该算法引导的合作在传统的联邦学习方法上取得了更好的表现，强调了客户选择的重要性。

Feb, 2024

通过因果表示进行可重构智能表面联合学习游戏

本论文提出了一种基于因果关系学习和不变风险最小化的 Reconfigurable Intelligent Surface 相移配置方法，通过多个神经网络模型在不同环境下预测最佳相位值并实现了 15% 的预测精度提升。

Jun, 2023

分散式联邦学习的调度和通信方案

分布式机器学习模式中的分布式学习是指许多客户端与中央服务器协同工作，以学习模型而无需共享自己的训练数据。本文介绍了一种采用随机梯度下降算法的分散式联邦学习（DFL）模型，作为一种更可伸缩的方法，以改善带有任意拓扑结构的代理网络中的学习性能。针对客户端和并行服务器之间的通信，提出了三种 DFL 调度策略，并在完全分散的 SGD 实现中对收敛性、准确性和损失进行了测试。实验结果表明所提出的调度策略对收敛速度和最终全局模型均有影响。

Nov, 2023