Client Selection in Federated Learning: Principles, Challenges, and Opportunities

一、摘要

大量的工作旨在解决FL训练的不同方面，如优化聚合方法[7]，[8]，增强隐私保护[9]，[10]和改进鲁棒性[11]。

一个有效的FL客户端选择方案可以显著提高模型的准确性[16]，增强公平性[24]，增强鲁棒性[18]，并减少训练开销[22]。

二、异质性 heterogeneity

2.1 系统的异构性

计算能力

通信能力

其他因素：如电池电量低、后台运行许多应用程序

2.2 统计异质性

大规模分布式数据，FL客户端的数量远远大于客户端的平均数据点数量。例如，一百万部智能手机参与了谷歌键盘查询建议项目[47]，但一个用户通常每天最多只提出几十个查询

数据不平衡

非IID数据

三、效用

每轮根据客户端的“效用”排序客户端，选择效用最大的客户端

效应=统计效用*系统效用

3.1 统计效用：

3.1.1 基于数据样本的效用度量

基于数据样本的效用利用客户端的本地数据来量化统计效用

（1）根据数据集数量\(|D_i|\)

当每个数据样本具有相同的质量时，这种方法是有效的

（2）数据样本的重要性抽样

这个想法是给偏离模型很远的数据样本分配一个高重要性分数。