Nov, 2023

联邦学习中的贡献评估：现有方法的考察

PDF
TL;DR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。
federated learningprivacygovernancecontribution evaluationfair value
发现论文，激发创造
  • 评估联邦学习中客户贡献

    我们提出了一种名为 FLContrib 的历史感知博弈理论框架，用于在每个联邦学习训练时期评估客户的贡献，通过利用联邦学习过程和 Shapley 值的线性性质，生成了客户贡献的历史时间轴。此外，我们还提出了一种调度过程，在有限的计算预算下考虑双边公平标准，仅在一部分训练时期进行昂贵的 Shapley 值计算，以平衡准确性和效率。通过将 FLContrib 应用于检测在 FL 训练中操纵数据的不诚实客户，我们展示了历史感知客户贡献的好处。

    Mar, 2024

  • 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

  • 垂直联邦学习中的贡献评估调查

    通过结构化的分析，本文对垂直联邦学习 (VFL) 中的贡献评估进行了全面的回顾，包括评估技术、隐私考虑和计算方法，并探讨了在 VFL 中涉及贡献评估的各种任务及其与 VFL 生命周期阶段的关系。最后，本文提出了 VFL 贡献评估面临的未来挑战，旨在引导研究人员和实践者设计和实现更有效、高效和注重隐私的 VFL 解决方案。

    May, 2024

  • 通过客户端贡献估计实现公正的联邦医学图像分割

    本研究提出了一种同时优化协作公平性和性能公平性的联邦学习方法，该方法基于在梯度空间和数据空间中测量客户端贡献的方法进行。通过这种方法，我们提出的方法 FedCE 得到了有效验证，具有显著提高性能并具有更好的公平性。

    Mar, 2023

  • 构建公平、强韧和高效的联邦学习中的客户端贡献评估

    本论文介绍了一种名为公平、强健且高效的客户评估（FRECA）的方法，用于量化联邦学习（FL）中客户的贡献。该方法使用 FedTruth 框架估计全局模型的真实更新，平衡各个客户的贡献，同时过滤掉恶意客户的影响。FRECA 还能够防御拜占庭攻击并采用了拜占庭弹性聚合算法，同时具备高效性。实验结果表明，FRECA 能够准确高效地量化客户的贡献。

    Feb, 2024

  • 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

  • 重新定义贡献：基于 Shapley 值的联邦学习

    该研究提出了一种名为 ShapFed 的新型参与者贡献评估方法，利用合作博弈论中的 Shapley 值来对参与者的贡献进行精细化评估，并基于此提出了一种名为 ShapFed-WA 的加权聚合方法，尤其在类别不平衡的场景中表现优于传统的联邦平均方法，通过根据参与者的贡献个性化更新模型，进一步提高合作公平性。在 CIFAR-10、Chest X-Ray 和 Fed-ISIC2019 数据集上的实验证明了该方法在提高联邦学习系统的效用、效率和公平性方面的有效性。

    Jun, 2024

  • 联邦学习中的数据估值与检测

    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。

    Nov, 2023

  • 联邦学习中的协作均衡

    本文研究一种理性协作称作‘协作均衡’的范式，使用‘利益图’描述每个客户端与其他客户端合作的益处，并提出 Pareto 优化方法来识别最佳合作者，通过迭代图操作从利益图中达成协作均衡。在合成和真实数据集上进行的实验表明了我们的方法的有效性。

    Aug, 2021

  • ACE: 联邦学习中贡献评估方法的模型毒化攻击

    该论文研究了在协作训练机器学习模型时，如何评估参与者贡献度的方法，并提出了一种名为 ACE 的模型污染攻击方法以及对其进行的对抗研究，结果表明现有的六种防御策略都无法有效阻止 ACE 攻击。

    May, 2024