不可靠通信下基于信誉的联邦学习客户端选择

摘要

联邦学习作为一种分布式机器学习框架，因其数据隐私保护特性受到广泛关注，然而，恶意客户端和不可靠通信严重影响了其性能与效率。为了解决上述问题，提出了一种不可靠通信下基于信誉的多任务发布者的联邦学习客户端选择机制。首先，使用上行链路模型传输成功概率评估通信可靠性，并考虑了其对聚合模型性能的影响。其次，提出了一种全面的客户端信誉评价方法，并构建了以最大化任务发布者的聚合模型性能以及所选客户端的信誉-价格比为优化目标的客户端选择机制。为了解决该优化问题，将其建模为马尔可夫决策过程，并利用好奇心驱动的深度Q学习算法进行求解。实验结果表明，所提算法显著优于基准算法，对联邦学习的性能有显著改善。

关键词

联邦学习 / 不可靠通信 / 信誉 / 客户端选择 / 好奇心驱动的深度Q学习