联邦学习中的数据估值与检测

Nov, 2023

Data Valuation and Detections in Federated Learning

Wenqian Li, Shuran Fu, Fengrui Zhang, Yan Pang

TL;DR使用隐私保护方法进行数据估值的联邦学习研究，借助 Wasserstein 距离提供透明数据评估和有效计算 Wasserstein barycenter 以减少对验证数据的依赖，并通过广泛的实证实验和理论分析展示了该估值指标的研究前景。

Abstract

federated learning (FL) enables collaborative model training without sharing raw data, demanding abundant, high-quality data for optimal model performance. Fair and efficient data evaluation is a fundamental issue for incentivizing clients to provide more high-quality data. Meanwhile,

federated learning privacy-preserving method data valuation wasserstein distance empirical experiments

发现论文，激发创造

联邦学习中的异质性好还是坏：FedVal

本论文提出了一种名为 FedVal 的新方法，该方法基于服务器端验证方法，使用创新的评分函数来评估客户端更新，并确定本地训练模型之间的最佳聚合平衡，从而提高鲁棒性和公平性，同时维护差分隐私的系统能力。在 CIFAR-10，FEMNIST 和 PUMS ACSIncome 数据集上的广泛实验证明了我们的方法的有效性，实现了最先进的性能。

Jun, 2023

联邦学习中联邦评估调查

本文首次对现有的联邦评估方法进行了全面的调查，并探讨了如何使用联邦评估来提高联邦学习性能，最终提出一些挑战与未来研究方向。

May, 2023

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

联邦学习中的贡献评估：现有方法的考察

联邦学习 (Federated Learning) 中的 Contribution Evaluation (CE) 问题对于计算每个客户端的公平价值的评估至关重要。本研究回顾了当前 CE 方法的数学框架，并对一些最有前景的方法进行了基准测试，展示它们与现有方法的差异。设计一个公平高效的 CE 方法对于联邦学习的主流应用至关重要。

Nov, 2023

个性化联邦学习推进：群体隐私，公平与更多

本文介绍了在联邦学习框架中处理个性化、隐私保证和公平性三者之间的相互关系，通过引入 $d$-privacy 方法，提供个性化模型训练、形式上的隐私保证和显著优于传统联邦学习模型的群体公平性。

Sep, 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

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

FedFair^3: 在联邦学习中实现三重公平

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

分散学習中的可擴充數據點評估

本文介绍了一种基于 DDVal 的去中心化数据估值方法，该方法能够对联合学习和群智学习中的单个数据点进行估值，并且可以绘制出关于机构贡献的层次性结论，准确度比现有的 Shapley 值近似方法更高，适用于分布式系统，尤其适用于具有少量大量数据点的多个客户端的数据分布情况

May, 2023

联邦信任：可信联邦学习的解决方案

该研究分析了联邦学习中信任度评估的现有要求，提出了六个支柱（隐私、强壮性、公正性、可解释性、问责制和联邦）和 30 多个计算 FL 模型信任度水平的度量标准，并设计了一个算法 FederatedTrust，可以计算 FL 模型的信任度得分。通过在不同联邦配置下使用 FEMNIST 数据集进行的四个实验，展示了计算 FL 模型信任度的 FederatedTrust 的实用性。

Feb, 2023