基于强化学习的动态公平联邦学习

Nov, 2023

基于强化学习的动态公平联邦学习

Dynamic Fair Federated Learning Based on Reinforcement Learning

Weikang Chen, Junping Du, Yingxia Shao, Jia Wang, Yangxi Zhou

TL;DR提出了一种名为 DQFFL 的具有强化学习的动态 q 公平联邦学习算法，旨在通过迭代聚合过程的客户权重分配来缓解联邦学习中设备聚合的差异并提高公平性。实验证明，DQFFL 在整体性能、公平性和收敛速度方面优于现有方法。

Abstract

federated learning enables a collaborative training and optimization of global models among a group of devices without sharing local data samples. However, the heterogeneity of data in federated learning can lead

federated learning fairness dynamic q fairness federated learning reinforcement learning aggregation

发现论文，激发创造

强化学习作为鲁棒和公平联邦学习的催化剂：解读客户贡献的动态

提出了一种新的强化联邦学习（RFL）框架，通过深度强化学习在聚合过程中自适应优化客户贡献，提高模型对恶意客户的鲁棒性和参与者之间的公平性，在非独立分布的情况下实现鲁棒性和公平性，并通过验证集性能引导的奖励机制获得了可靠性和公平性的可比较水平。

Feb, 2024

联邦学习中的公平资源分配

本文提出 q-Fair Federated Learning（q-FFL）并提出一种新的优化目标 ——q-FedAvg，旨在实现公平的资源分配；在联合数据集上验证了 q-FFL 和 q-FedAvg 的有效性和效率。

May, 2019

联邦学习中的协作公平性

研究分布式和联邦学习的合作公平性问题，提出了一种新的协作公平联邦学习框架，利用声誉来强制不同参与者收敛于不同模型，从而在不损害预测性能的情况下实现公平。

Aug, 2020

FLASH-RL: 使用强化学习解决联邦学习中的系统和静态异构问题

FLASH-RL 是一种 Federated Learning 框架，利用 Double Deep Q-Learning 算法来处理系统和静态异质性，在 MNIST 和 CIFAR-10 数据集上展现了在模型效果和端到端延迟之间平衡取舍的有效性，相比现有解决方案，FLASH-RL 减少了 24.83% 的延迟，60.44% 的训练轮次，并在 MobiAct 数据集上相比 FedAVG 在模型性能方面提升了 2.82%，降低了 34.75% 的延迟，训练轮次也减少了 45.32%。

Nov, 2023

公平差分隐私联邦学习框架

通过应用裁剪技巧与高斯机制来解决不包含验证数据的公平差分私有联邦学习框架的可能出现的偏见更新问题，同时审查了隐私和公平性在联邦学习中的相关工作，并强调了 MITIGATE 偏见和确保隐私的最新进展和方法。

May, 2023

FedDRL：一个基于阶段强化学习的可信联邦学习模型融合方法

我们提出 FedDRL, 一种基于强化学习的两阶段模型融合方法，通过筛选恶意模型和选择可信的客户模型参与模型融合，并自适应调整可信客户模型的权重，实现最优全局模型的聚合，与两个基准算法相比，在五个模型融合场景中，我们的算法具有更高的可靠性，同时保持准确度。

Jul, 2023

声誉机制即所需：联邦学习中的协作公平和对抗鲁棒性

本文提出了一种新的稳健公平联邦学习（Robust and Fair Federated Learning，RFFL）框架，通过声誉机制实现协作公平和对抗鲁棒性，可在基准数据集上实现高公正性并对不同类型的对手非常鲁棒。

Nov, 2020

多维公平联邦学习

我们提出了一种名为 mFairFL 的方法，通过使用差分乘数构建优化目标，同时实现组公平和客户公平，以解决在隐私不受损失的情况下训练公平的 FL 模型的问题。理论分析证明 mFairFL 有助于模型的公平性，并且基于三个基准数据集的实验评估显示 mFairFL 相对于七个最先进的基准模型具有显著优势。

Dec, 2023

基于强化学习的无监督联邦学习智能信息交换

使用强化学习的方法，在无监督的分布式机器学习环境中创建一个最优化的数据传输图，以提高收敛速度和对故障的鲁棒性。

Feb, 2024

基于动态正则化的联邦学习

我们提出了一种新的联邦学习方法，通过动态正则化器在限制设备异构性和大量设备、部分参与和不平衡数据的同时，在凸和非凸情况下实现了高效训练。

Nov, 2021