FedOwen: Owen‑Sampling beschleunigt Beitragsabschätzung im Federated Learning
Ein neuer Ansatz namens FedOwen nutzt Owen‑Sampling, um die Shapley‑Werte von Clients im Federated Learning effizient zu approximieren. Durch diese Methode bleibt die Genauigkeit der Beitragsabschätzung hoch, während die Rechenkosten im Vergleich zu herkömmlichen Verfahren reduziert werden. FedOwen kombiniert dies mit einer adaptiven Client‑Auswahl, die sowohl stark wertvolle Clients nutzt als auch unterrepräsentierte Datenpunkte entdeckt, wodurch Bias verringert und seltene, aber informative Informationen freigesetzt werden. In Experimenten auf heterogenen, nicht‑IID‑Datensätzen konnte FedOwen die finale Genauigkeit um bis zu 23 % steigern, ohne zusätzliche Kommunikationsrunden zu benötigen, und übertraf damit die führenden Baselines. Diese Fortschritte zeigen, dass präzise Beitragsabschätzungen und gezielte Client‑Selektion entscheidend für schnellere Konvergenz und bessere Modelle im Federated Learning sind.
