贡献感知个性化联邦学习

线性复杂度贡献评估

用梯度近似估计替代联邦子模型重训练，将Shapley值贡献评估的指数级复杂度降为线性，适用于消费电子产品的可信推荐。

殷昱煜 · 李尤慧子 · Hai-Tao, Yu · Yu, Chen

IEEE Transactions on Consumer Electronics 2025

技术优势

复杂度降为线性

通过梯度近似估计计算 Shapley 值，无需重训练联邦子模型，使贡献评估的耗时随参与者数量线性增长，而不是指数爆炸。

剔除低贡献者

CA-PFL 会淘汰贡献极低的参与者，避免他们拖慢训练或损害模型质量，同时还能为不同特征偏好的参与者训练个性化模型。

精度效率双提升

在经典机器学习数据集和消费行为数据集上的综合实验表明，CA-PFL 在准确率和效率上都优于现有方法。

应用场景

• 个性化推荐系统：可在不泄露用户行为数据的前提下，为消费电子产品提供个性化推荐。
• 隐私保护机器学习：联邦学习框架在训练过程中不需要上传原始用户数据，从而保护隐私。
• 联邦学习模型训练：CA-PFL 提供高效的贡献评估和个性化模型训练，可直接用于联邦学习模型训练流程。
• 分布式协作学习：在多方参与的分布式协同学习中，用线性复杂度衡量各方贡献并剔除低质量参与者。