评估联邦学习中客户贡献

Mar, 2024

Don't Forget What I did?: Assessing Client Contributions in Federated Learning

Bishwamittra Ghosh, Debabrota Basu, Fu Huazhu, Wang Yuan, Renuga Kanagavelu...

TL;DR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。

Abstract

federated learning (FL) is a collaborative machine learning (ML) approach, where multiple clients participate in training an ML model without exposing the private data. Fair and accurate assessment of client contributio

federated learning client contributions game-theoretic framework shapley values history-aware client contributions

发现论文，激发创造

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

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

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

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

联邦学习能找到有益的朋友

该研究提出了一种新的算法，为参与联邦学习训练的客户分配自适应聚合权重，识别出最有利于特定学习目标的数据分布，实验证明通过该算法引导的合作在传统的联邦学习方法上取得了更好的表现，强调了客户选择的重要性。

Feb, 2024

为联邦学习选择公平感知的客户

通过 Lyapunov 优化的公平感知联邦用户选择（FairFedCS）方法可以在联邦学习中动态调整联邦用户的选择概率，根据联邦用户的声誉、参与联邦任务的次数和对最终模型性能的贡献，共同考虑性能和公平性。在真实的多媒体数据集上进行的大量实验表明，FairFedCS 平均实现了 19.6% 更高的公平性和 0.73% 更高的测试准确性，超过了最佳性能的现有方法。

Jul, 2023

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

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

测量联邦学习中参与者的贡献

本文研究了在保护数据隐私的前提下，让多方参与建立模型的联邦机器学习生态系统中，如何公平计算每个参与方的贡献值。通过使用删除方法和 Shapley 值等简单而有力的技术计算组合实例影响和组合特征重要性，我们为研究模型贡献和信用分配在联邦机器学习中打开了大门。

Sep, 2019