首页|基于数据质量评估的公平联邦学习方案

基于数据质量评估的公平联邦学习方案

扫码查看
原文链接
  • 万方数据
  • 维普
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计公平的隐私保护联邦学习方案.实验分析表明,所提出的方案比传统联邦学习方案更加具备公平性.
Fair Federated Learning Based on Data Quality Evaluation

杨秀清、彭长根、刘海、丁红发、汤寒林

展开 >

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

展开 >

联邦学习 机器学习 公平性 数据质量评估 熵权法

国家自然科学基金国家自然科学基金国家自然科学基金贵州省科技计划贵州省教育厅自然科学研究项目

U18362056200208162002080黔科合平台人才[2020]5017黔教合KY字[2021]140

2022

10.3969/j.issn.1672-9722.2022.06.024

计算机与数字工程
中国船舶重工集团公司第七0九研究所

计算机与数字工程

CSTPCD
影响因子：0.355
ISSN：1672-9722
年,卷(期)：2022.50(6)
  • 1
  • 4