科研之友
微信
新浪微博
Facebook
分享链接
摘要
联邦学习能够在保护用户隐私的前提下，使不同的客户端合作共同训练同一模型，如何激励高质量的客户端参与联邦学习是关键。在线联邦学习环境中，由于参与训练的客户端随机到达和离开，每轮参与报价的客户端动态变化，对客户端的在线质量评估与选择是一个难题。针对这一挑战提出了在线联邦学习激励算法，以优化在线客户端的选择和预算分配，提高预算约束下在线环境联邦学习的性能。该算法将预算按阶段划分并根据历史样本信息计算最优的质量密度阈值，其主要思想是对客户端模型质量进行动态评估，在此基础上采用质量阈值准入机制，同时，对参与训练的客户端数量进行限制。从理论上证明了激励算法满足激励相容性、预算可行性和个体理性。实验结果表明提出的在线激励算法能在不同比例搭便车客户端的情况下都能有良好的性能，在预算充足且有搭便车和有误标标签的客户端情况下比已有方法在EMNIST-B和CIFAR-10两个数据集上分别提高约4%和10%。
- 单位
