GTG-Shapley: Efficient and Accurate Participant Contribution Evaluation in Federated Learning 读后总结

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