文献类型：期刊文章

作　　者：罗靖[1,2] 龙士工[1,2] 吕宏钦[3] 张珺铭[1,2,4]

LUO Jing;LONG Shi-gong;+;LYU Hong-qin;ZHANG Jun-ming(State Key Laboratory of Public Big Data,Guizhou University,Guiyang 550025,China;School of Computer Science and Technology,Guizhou University,Guiyang 550025,China;State Key Lab of Processors,Institute of Computing Technology,University of Chinese Academy of Sciences,Beijing 100000,China;Foundation Department,Guizhou Polytechnic of Construction,Guiyang 551400,China)

机构地区：[1]贵州大学公共大数据国家重点实验室,贵州贵阳550025 [2]贵州大学计算机科学与技术学院,贵州贵阳550025 [3]中国科学院大学计算技术研究所处理器芯片全国重点实验室,北京100000 [4]贵州建设职业技术学院基础部,贵州贵阳551400

出　　处：《计算机工程与设计》

基　　金：国家自然科学基金项目(62062020)。

年　　份：2025

卷　　号：46

期　　号：7

起止页码：1848-1855

语　　种：中文

收录情况：BDHX、BDHX2023、核心刊

摘　　要：激励机制是联邦学习的重要研究方向,如何公平且简单的评估贡献值是设计激励机制的难题。针对这一问题,设计一种相似性补全联邦Shapley值算法(SimComFedSV)计算贡献值以提高公平性,运用蒙特卡洛采样方法结合矩阵补全技术降低算法的时间和空间复杂度。在此基础上,提出比例尺补全算法(ScaBarCompletion)高效补全效用矩阵。与目前最好的算法相比,SimComFedSV算法的矩阵补全速度在MNIST和CIFAR-10上分别提升了67.79%、67.16%,公平性指标上有所提高。

关 键 词：联邦学习  贡献测量  公平性  夏普里值 激励机制 蒙特卡洛  矩阵补全  

分 类 号：TP302.2]