[IEEE TMC 2025, IF 7.7]祝贺雷凯嘉等同学论文被计算机网络领域顶刊IEEE TMC (CCF A类)录用!
点击次数：
发布时间：2025-11-01
发布时间：2025-11-01
文章标题：[IEEE TMC 2025, IF 7.7]祝贺雷凯嘉等同学论文被计算机网络领域顶刊IEEE TMC (CCF A类)录用!
内容：
FedDSV: Shapley Value-Based Contribution Estimation in Federated Learning With Dynamic Participation（作者：Kaijia Lei, Xuebin Ren* ,Shusen Yang, Xiaocheng Wang, and Fangyuan Zhao）该工作提供了一种面向动态参与联邦学习的基于Shapley值的贡献评估框架FedDSV，能够在客户端随机加入和退出训练的场景下，对各参与方的数据贡献进行公平、灵活且高效的估计。具体地，我们设计了：1）动态轮次分解的贡献评估机制，将整个联邦训练过程分解为逐轮子过程，并通过逐轮Shapley值累积得到全局贡献；2）可扩展的加权机制，通过对不同训练轮次赋予不同权重，更准确刻画各轮对最终模型的实际影响；3）高效的SMC近似算法，通过结合截断与采样策略降低动态Shapley值计算的复杂度。大量实验表明，与现有方法相比，FedDSV能更准确地反映动态联邦学习中的真实贡献，而SMC在保证较高估计精度的同时显著降低了计算开销，并在公平性、效率和低质量客户端识别等任务上表现出更优的综合性能。
图1 FedDSV框架图