Shapley value-based fair asynchronous federated learning

Zhang, Liyong

doi:10.1016/j.comcom.2026.108618

Shapley value-based fair asynchronous federated learning

2026-07-01

0

PRE

AI

DOI：10.1016/j.comcom.2026.108618

原文链接

原文求助

摘要

En 中文

联邦学习（FL）是一种有前景的隐私保护机器学习范式，它促进分布式设备上的共享模型训练。传统的FL采用同步协议，每一轮的训练时间取决于最慢的客户端，导致较快的客户端在提交更新后处于空闲状态，这显著降低了FL的训练效率。为了解决这一慢速客户端问题，异步联邦学习（AFL）被提出，其中服务器异步聚合接收到的模型更新，而不等待慢速客户端。但这引入了过时更新，可能损害模型收敛和准确性。现有的AFL方法主要通过减少过时更新的影响来处理这一问题。然而，这种缓解策略，加上由于客户端能力不同导致的不平衡报告频率，使全局模型偏向较快的客户端，这可能会劝阻拥有宝贵数据的较慢客户端参与。为了解决这一问题，我们提出了一种基于Shapley值的公平AFL方法AFedSV，该方法促进客户端间的公平（统一）模型性能，同时不牺牲整体模型准确性。具体而言，我们利用Shapley值识别与其过时性无关的有益更新，并在聚合中强调来自过时更新的贡献，以平衡慢速和快速客户端的代表性。实验结果表明，AFedSV在公平性和准确性方面优于基线方法。

Keyword:

Asynchronous federated learning

Straggler

Shapley value

Fairness

Shapley value-based fair asynchronous federated learning

摘要

期刊

机构

引用论文