协作学习中评估和激励多样化数据贡献

Jun, 2023

协作学习中评估和激励多样化数据贡献

Evaluating and Incentivizing Diverse Data Contributions in Collaborative Learning

Baihe Huang, Sai Praneeth Karimireddy, Michael I. Jordan

TL;DR本研究利用博弈论和机制设计的方法，解决联邦学习中的全局性能优化和本地性能优化之间的张力问题，并通过统计准则和联邦学习算法的选择来设计简单的最优联邦学习机制，鼓励数据收集者贡献代表全局人口的数据，最大化全局性能。

Abstract

For a federated learning model to perform well, it is crucial to have a diverse and representative dataset. However, the data contributors may only be concerned with the performance on a specific subset of the population, which may not reflect the diversity of the wider population. Thi

federated learning dataset diversity local performance game theory mechanism design

发现论文，激发创造

激励联邦学习

本文介绍了一种激励机制，鼓励客户共享他们所拥有的尽可能多的数据，以提高联合学习的性能，该机制与以前的不同之处在于使用模型性能而不是数据作为激励，我们在一定的条件下理论上证明了客户将使用他们尽可能多的数据参与联合学习

May, 2022

通过激励机制实现公平图谱联合学习

图形联邦学习中的激励机制和公平性评估函数，以及模式原型的应用，提高模型准确性和公平性。

Dec, 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

重新思考联邦学习中的数据异质性：引入新概念和标准基准

我们研究了数据异质性对联邦学习的影响，发现许多之前的联邦学习方法并没有深入探讨不同类型的数据异质性以及这些异质性如何影响参与客户端的准确性表现。我们研究发现，当前设置中的数据异质性不一定是问题，事实上，它对 FL 参与者有益。

Sep, 2022

通过原型表示评估异构参与者在联邦学习中的贡献

本文从表示的全新视角探索联邦学习中的贡献评估，并提出了一种用于异构参与者的贡献评估的新方法，引入了一种新的指标 “类别贡献动量”，从个体、相对和整体视角构建和应用该指标，在各种情境下展现了方法的优越性。

Jul, 2024

解决联邦学习中的算法差异和性能不一致

本文提出了一种基于多目标优化的联邦学习框架，通过优化一个最大替代函数将不同本地客户端（数据源）的算法公平性和一致性纳入考虑，以实现最优解的 Pareto 优化来实现公平性和一致性。

Aug, 2021

联邦学习中的偏差缓解

本研究提出了三种预处理和处理方法以及实验验证，以减轻联邦学习中的偏见和数据异构性对模型性能、公平指标和偏见学习模式的影响，结果表明这些方法即使在当事方数据分布不均或只有 20% 的当事方采用这些方法时也是有效的。

Dec, 2020

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

模型共享游戏：自愿参与下联邦学习的分析

本文介绍了在联邦学习中，面临着全局模型与本地模型的选择困境，运用博弈论的框架进行自然分析，提出了基于博弈论的联邦学习模型，探讨了均衡的选手分区问题，并分别分析了三种联邦模式的稳定分区。

Oct, 2020

基于随机客户端参与的无偏联邦学习激励机制设计

本文提出了一种基于博弈论的激励机制，通过随机客户端参与度数，实现以不偏差的方式获得高性能模型，并分析了客户端的参与度数和异质性数据如何影响模型性能的收敛界。

Apr, 2023