FEDQV: Leveraging Quadratic Voting in FL

junio 10, 2024

MLEDGE ya ha empezado a producir artículos relevantes en los principales foros de ciencias de la computación. Este mes, nuestra colega Tianyue Chu presentará el paper «FedQV: Leveraging Quadratic Voting in Federated Learning» en la conferencia SIGMETRICS (clasificada A* según CORE2023) en Venecia, Italia. Esta ponencia está relacionada con el componente de investigación FedSecure del proyecto.

El aprendizaje federado (FL) permite a distintas partes entrenar en colaboración un modelo global sin revelar sus respectivas etiquetas locales. El trabajo presenta FEDQV, un nuevo algoritmo de agregación basado en el esquema de votación cuadrática. Su análisis teórico establece que FEDQV es un mecanismo veraz en el que pujar según la valoración real de cada uno es una estrategia dominante que alcanza una tasa de convergencia igual a la de los métodos más avanzados. El análisis empírico utilizando múltiples conjuntos de datos reales muestra que la combinación de FEDQV con «presupuestos» de votación desiguales de acuerdo a una puntuación de reputación aumenta aún más sus ventajas de rendimiento. Por último, se muestra que FEDQV mejora la robustez de FL frente a ataques de envenenamiento y, combinado con mecanismos de preservación de privacidad con robustez Bizantina, frente a ataques a la privacidad de las partes.