基于模型质量评分的联邦学习聚合算法优化

来源：计算机应用研究杂志2024年第8期北京时间：

作者：吴小红,陆浩楠,顾永跟,陶杰,

单位：1.湖州师范学院信息工程学院,浙江湖州313000；2.浙江省现代农业资源智慧管理与应用研究重点实验室,浙江湖州313000；

摘要：在联邦学习环境中，客户端数据的质量是决定模型性能的关键因素。传统的评估方法依赖于在中心节点的验证集上衡量客户端模型的损失，从而对数据质量进行评估。在缺乏有效验证集的情况下，数据质量的评估是困难的。为了解决上述问题，提出了一种根据同伴信息进行模型质量评分的方法。通过对客户端上传的模型参数进行裁剪处理，基于正确评分规则的相关理论设计模型质量评分机制，并在此基础上优化聚合算法，降低低质量客户端对全局模型的影响。在MNIST、Fashion-MNIST和CIFAR-10等数据集上的实验表明，提出的评分机制无须复杂的算法，且能有效辨别搭便车、噪声、错误标签三类低质量数据客户端，提高联邦学习性能的鲁棒性。

关键词：联邦学习,模型质量,参数裁剪,同伴信息,聚合算法,

基金资助：湖州市科技计划重点研发计划资助项目(2022ZD2002)；；