admin 管理员组

文章数量: 1184232
方法：提出federated shapley value：①保留了规范SV的理想特性②可以在不产生额外通信成本的情况下进行计算③能够捕获参与顺序对数据值的影响 目的： 为了公平的评价数据源，补偿数据所有者对培训过程的贡献。 结论： 证明了有效性
为了公平的评价数据源，补偿数据所有者对培训过程的贡献。——>①Shapley Value要全面评估数据源的每个子集上的模型性能，通信成本高昂。②规范的SV在训练过程中忽视了数据源的顺序，与联邦学习顺序性质相冲突。——>提出federated shapley value：①保留了规范SV的理想特性②可以在不产生额外通信成本的情况下进行计算③能够捕获参与顺序对数据值的影响——>证明了有效性
SV确保： ①模型的所有收益分布在数据源之间 ②根据数据所有者对学习过程的实际贡献，分配给数据所有者的值 ③当多次使用时，数据的值会累加 FSV用于评估分散的顺序数据： ①可以从每次训练迭代的局部模型更新中确定，不会产生额外的通信成本 ②可以捕捉参与顺序对数据值的影响，因为它检查了学习过程中每个玩家子集按照实际参与顺序所带来的性能提升

本文标签： 评价 Approach DATA Principled Valuation

版权声明：本文标题：016 A Principled Approach to Data Valuation for Federated Learning（评价 federated shapley value） 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://roclinux.cn/b/1763631823a3256377.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。