DFedReweighting: Zielorientierte Gewichtung im dezentralen Federated Learning

Das neue Konzept DFedReweighting eröffnet im dezentralen Federated Learning (DFL) einen einheitlichen Ansatz, um die oft widersprüchlichen Ziele von Fairness, Robustheit und Effizienz zu balancieren. Durch eine zielorientierte Reweighting‑Aggregation am Ende jeder Lernrunde können die beteiligten Clients ihre individuellen Beiträge gezielt an die gewünschten Leistungsmetriken anpassen.

Der Ablauf beginnt mit der Berechnung vorläufiger Gewichte, die auf einem Ziel‑Performance‑Metrik basieren, die aus einem lokalen Hilfsdatensatz abgeleitet wird. Anschließend werden diese Gewichte mithilfe einer maßgeschneiderten Reweighting‑Strategie verfeinert, sodass die endgültigen Aggregationsgewichte exakt auf die jeweiligen Lernziele abgestimmt sind.

Eine theoretische Analyse bestätigt, dass die Kombination aus geeigneter Ziel‑Metrik und angepasster Reweighting‑Strategie eine lineare Konvergenz garantiert. Praktische Experimente zeigen, dass DFedReweighting die Fairness deutlich erhöht und die Robustheit gegenüber Byzantine‑Angriffen in verschiedensten Szenarien verbessert. Mit der richtigen Auswahl von Zielmetriken und Strategien kann das Framework somit eine breite Palette an Lernzielen zuverlässig erreichen.