通过多准则客户选择和调度方案，我们提出了一种具有公平性保证的联邦学习方案，包括两个阶段：初步客户池选择和每轮客户调度。我们通过建立一个基于多个准则的客户选择度量，如客户资源、数据质量和客户行为，来解决在给定预算下最大化选定客户整体得分的初始客户池选择问题，并通过贪婪算法求解该问题。为了保证公平性，我们进一步将每轮客户调度问题形式化，并提出一种启发式算法，将客户池分为多个子集，以确保每个客户至少被选择一次，同时确保子集中的整合数据集接近于独立且相同分布。我们的实验结果表明，该方案可以提高模型质量，特别是在非独立分布的数据情况下。

Dec, 2023

本文旨在解决集中式人工智能模型训练时可能存在的隐私泄漏问题。作者提出一种公平保障的客户选择算法，其根据 Lyapunov 优化问题进行建模，通过 C2MAB 估计模型交换时间，称为 RBCS-F。通过理论分析和真实数据实验，证明了该算法的可行性和实用性。

Nov, 2020

基于 Lyapunov 优化，提出了首个公平感知的联邦作业调度（FairFedJS）方法，确保对高需求的联邦学习客户端数据集进行公平分配，以防止长时间等待。通过在两个数据集上与四种最先进的方法进行广泛实验证明，相较于最佳基准线，其在调度公平性和收敛时间方面分别提高了 31.9％和 1.0％，同时实现了可比较的测试准确性。

Jan, 2024

提出了一种称为 SocFedCS 的新的基于 Lyapunov 优化的优化客户端选择方案，其通过信任网络在移动联邦学习网络中最小化成本并训练高质量的联邦学习模型，在四个真实世界的多媒体数据集上的实验表明，它的平均测试准确率比最佳基线高 2.06％，成本低 12.24％。

May, 2023

该研究系统综述了联邦学习中客户端选择的挑战、解决方案和评估指标，研究发现主要挑战为异构性、资源分配、通讯成本和公平性，常用的解决方案是改进随机选择算法并评估测试准确率与通讯轮数之间的关系。

Jun, 2023

该研究论文提出了一种在联邦学习中实现三重公平性的公平客户选择方法，通过公平的客户选择策略、公平的参与轮数和客户间的公平准确度分布，与现有技术基准相比，在 IID 数据上减少了 18.15% 的准确率差异，在非 IID 数据上减少了 54.78% 的准确率差异，并且平均训练时间减少了 24.36%。

Jan, 2024

联邦学习是机器学习领域中迅速发展的领域，允许数据在多个分散设备上进行训练。客户端选择是整个系统性能的关键因素。本调查综述了联邦学习中最先进的客户端选择技术，包括它们的优点、局限性以及需解决的挑战和开放问题。我们涵盖了传统的选择技术，例如随机选择，其中选择所有或部分随机的客户端进行训练。我们还涵盖了面向性能和面向资源的选择，适用于资源受限和异构网络。我们还讨论了客户端选择在模型安全增强中的使用。最后，我们讨论了动态约束和异构网络中的客户端选择相关的开放问题和挑战。

Nov, 2023

本研究考虑了在波动性环境下客户端选择问题，旨在在有效参与和公平性的联合考虑下解决权衡问题，提出 E3CS 方案以解决此问题，并通过实验验证其有效性。

Nov, 2020

本文提出了一种客户端选择的分类法，以便比较不同的方法，旨在在机器学习这个有前途的领域中，为未来的研究提供方向。

Sep, 2022

本文针对联邦学习领域中的数据隐私和公平性问题，提出了一种能够满足不同统计公平度量的新方法，并进行实验验证其在满足多个目标方面的有效性和鲁棒性。

Jan, 2022