BriefGPT - AI 论文速递
·
通过原型表示评估异构参与者在联邦学习中的贡献
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
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Shapley值对参与者的贡献进行评估，并提出了一种名为ShapFed-WA的加权聚合方法。实验证明该方法在提高联邦学习系统的效用、效率和公平性方面有效。
🎯
关键要点
- 提出了一种名为ShapFed的新型参与者贡献评估方法。
- 利用Shapley值对参与者的贡献进行精细化评估。
- 基于ShapFed提出了一种名为ShapFed-WA的加权聚合方法。
- ShapFed-WA在类别不平衡的场景中优于传统的联邦平均方法。
- 通过个性化更新模型提高合作公平性。
- 在CIFAR-10、Chest X-Ray和Fed-ISIC2019数据集上的实验验证了该方法的有效性。
- 该方法有效提高了联邦学习系统的效用、效率和公平性。
➡️
