基于 Maverick-Aware Shapley 估值的联邦学习中的客户选择
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文介绍了多种联邦学习算法及其改进，包括联邦 Shapley 值、FairFedCS 和 S-FedAvg，旨在提升数据源贡献评估、系统鲁棒性和公平性。研究表明，这些方法在多媒体数据集上实现了更高的准确性和公平性，并提出了基于拍卖的模型市场解决方案，以优化客户模型交易和激励机制。
❓
Q&A
什么是联邦 Shapley 值，它的作用是什么？
联邦 Shapley 值是一种适用于联邦学习的变体，能够计算每个数据源的贡献，反映数据源的实际效用，提升系统的鲁棒性、安全性和效率。
FairFedCS 方法如何提高联邦学习的公平性？
FairFedCS 方法通过动态调整联邦用户的选择概率，综合考虑用户声誉和对模型性能的贡献，从而实现更高的公平性和测试准确性。
GreedyFed 客户选择策略的优势是什么？
GreedyFed 策略在高度异质性条件下能够快速而稳定地收敛，并获得高准确性，适用于固定的通信轮次。
FLContrib 框架的主要功能是什么？
FLContrib 框架用于评估客户在联邦学习中的贡献，通过历史感知生成客户贡献的时间轴，帮助识别不诚实客户。
S-FedAvg 算法如何提升联邦学习的性能？
S-FedAvg 算法通过选择相关客户进行模型聚合，实验表明其在监督的联邦学习设置下性能优于基准线。
基于拍卖的模型市场解决方案的目的是什么？
该解决方案旨在通过模型交易确保合理的定价和激励机制，促进客户诚实披露模型估值，从而提高交易收入和任务准确性。
🏷️
