主要内容:
目标:对用户的贡献进行评估,主要是为了激励机制打基础,根据用户的贡献,发放对应的奖励。
问题:Shapley值计算成本巨大,难以应用。
想了解shapley推荐学习一下这篇文章,讲的很好,很好理解 添加链接描述
这篇文章解决思路:
1)通过梯度计算Shapley减少计算量,不用重新训练数据
2)设计了一种截断的抽样方法,减少排列组合数(我的理解),基于Monte-Carlo estimation的基础上进行
Introduction 部分主要介绍了一下背景和SV(Shapley Value)
---- 这个地方展现出了本文的贡献了
1、主要方法1:通过梯度聚合减少计算
2、主要方法2:减少排列组合数,过去是随机抽样,本文是有重点的基于单轮特征的抽样 Monte Carlo sampling technique基础上进一步改进
具体方法:1、注意抽样时,抽样排列组合中节点的位置,如果抽到的组合中节点的位置总是考后的,这样计算出来的贡献会较少。(实验证明后加入的节点往往贡献较低)
Related Work
这个我觉得挺好,记录下来。
现有的FL学习贡献评估方法,大致分为:1)自我报告 2)个人表现 3)utility game 4)基于Shapley Value 的方法
接下来就是就这四个方法分别进行介绍
因为我主要关注的是他