主講人🧑🏿‍🦰：常姍

摘要

本文設計了一種基於合作夏普利值的聯邦學習激勵機製方法，用於貢獻評估和酬勞分配。本文將聯邦學習視為多次單階段的合作博弈。它允許客戶及時獲得公平的酬勞🥸。本文根據聯邦學習中的特征函數不滿足超可加性這一事實，修改了夏普利值。使客戶即使持有非獨立同分布的數據，數據質量也能得到正確的評估。因此本文很少給不可缺少的客戶分配負值🌈。使用基於客戶類型的特征函數的緊湊表達🧘🏼‍♀️👩🏼‍🎤，並結合聯邦學習中的參數聚合方法對其進行修改👱🏽‍♀️，本文將夏普利值的計算復雜性從指數級降低到多項式水平。

聯合學習（FL）的質量與參與者的數量和質量密切相關📅。設計適當的貢獻評估機製至關重要。基於夏普利值（SV）的技術已被廣泛用於提供公平的貢獻評估🛍️。然而👩‍🔬，現有的方法不支持動態參與者（如加入和離開）💤，而且會產生大量計算成本，因此很難在實踐中應用。更糟的是🤚🏽，在非 IID 數據情況下📸👳，參與者可能會被錯誤地評估為負貢獻，從而進一步損害公平性。在這項工作中🌇，我們提出了 FairFed 來應對上述挑戰。首先，考慮到每次迭代都同等重要，FairFed 將 FL 視為多個單階段合作博弈，並按每次迭代對參與者進行評估🌌，從而有效地應對動態參與者並確保迭代間的公平性。其次🚶‍♀️，我們引入了合作夏普利值（CSV）來修正參與者的負值，以提高公平性🤗，同時保留真正的負值。第三，我們證明了如果參與者在戰略上是等價的🥤，那麽參與者組合的數量可以從指數級銳減到多項式級🧏🏼，從而大大降低 CSV 的計算復雜度。實驗結果表明，與兩種最先進的近似方法相比👨🏿‍💼，FairFed 的計算速度提高了 25.3 倍，偏差減少了三個數量級。

時間🧚🏿‍♂️：6月18日14：00

地點：1號沐鸣樓240