Don't Forget What I did?: Assessing Client Contributions in Federated Learning

Federated Learning（FL）是一种协作机器学习（ML）方法，多个客户端参与训练ML模型，而不会暴露私有数据。在FL中，公平准确地评估客户端贡献是一个重要问题，以促进激励分配并鼓励不同的客户端参与统一的模型训练。现有的评估客户端贡献的方法采用合作博弈理论概念，如Shapley值，但在简化的假设下。在本文中，我们提出了一个历史感知的博弈理论框架，称为FLContrib，用于评估当子集（可能是非独立同分布的）客户端参与每个FL训练时期时的客户端贡献。通过利用FL训练过程和Shapley值的线性性，我们开发了FLContrib，它产生了客户端贡献的历史时间线，随着FL训练在时期上的进展而发生变化。此外，为了在有限的计算预算下评估客户端贡献，我们提出了一个调度过程，考虑到双边公平标准，仅在训练的一部分时期中执行昂贵的Shapley值计算。在实验中，我们展示了通过FLContrib评估客户端贡献的正确性和效率之间的可控权衡。为了展示历史感知客户端贡献的好处，我们将FLContrib应用于检测在FL训练中进行数据污染的不诚实客户端。

本论文旨在解决联邦学习中客户端贡献评估的问题，提出了一个历史感知的博弈理论框架FLContrib，以及一个考虑两方公平性标准的调度过程，以在有限的计算预算下评估客户端贡献。

FLContrib利用联邦学习训练过程和Shapley值的线性性，开发出可以在每个训练周期中产生客户端贡献历史时间线的框架。

论文提出的FLContrib框架可以在有限的计算预算下评估客户端的贡献，并可用于检测在联邦学习训练过程中进行数据污染的不诚实客户端。实验结果表明，FLContrib可以在正确性和效率之间实现可控的权衡。

与本论文相关的研究包括使用Shapley值进行贡献评估的先前工作，以及在联邦学习中处理不同问题的其他博弈理论方法，如合作博弈和竞争博弈。