基于数据质量评估的公平联邦学习方案OACSTPCD
联邦学习中用户的数据数量不同得到的聚合权重不同,数据质量不同也会对参与联邦训练的用户聚合权重产生影响。针对传统联邦学习中因单一因素确定聚合权重导致的贡献不公平问题,并且基于用户的数据数量和用户的数据质量提出一种基于数据质量评估的公平联邦学习方案。首先,结合相对熵定义了评估公平标准。然后,运用熵权法定义用户数据质量计算方法,根据用户数据质量得分和数据数量得分计算用户的综合得分,并用综合得分作为用户的贡献。最后,根据用户的综合得分定义用户的聚合权重设…查看全部>>
杨秀清;彭长根;刘海;丁红发;汤寒林
贵州大学计算机科学与技术学院,贵阳550025 贵州大学公共大数据国家重点实验室,贵阳550025贵州大学计算机科学与技术学院,贵阳550025 贵州大学公共大数据国家重点实验室,贵阳550025 贵州大学大数据产业发展应用研究院,贵阳550025贵州大学计算机科学与技术学院,贵阳550025 贵州大学公共大数据国家重点实验室,贵阳550025 贵州大学大数据产业发展应用研究院,贵阳550025贵州财经大学信息学院,贵阳550025贵州数据宝网络科技有限公司,贵阳550025
信息技术与安全科学
联邦学习机器学习公平性数据质量评估熵权法
《计算机与数字工程》 2022 (6)
P.1278-1285,8
评论