Kumulative Nutzenparität für Federated Learning bei unregelmäßiger Teilnahme

In realen Federated‑Learning‑Systemen ist die Teilnahme der Clients oft unregelmäßig, heterogen und eng mit Datenmerkmalen oder Ressourcenbeschränkungen verknüpft. Bisherige Ansätze zur Fairness konzentrieren sich darauf, Verlust oder Genauigkeit pro Trainingsrunde zu gleichen, wobei implizit angenommen wird, dass alle Clients über die Zeit vergleichbare Beteiligungsmöglichkeiten haben. Diese Annahme führt jedoch dazu, dass Clients, die nur sporadisch teilnehmen, systematisch unterrepräsentiert bleiben – selbst wenn die Rundenleistung gleichmäßig erscheint.

Die Autoren stellen die „kumulative Nutzenparität“ vor, ein Fairnessprinzip, das bewertet, ob Clients langfristig pro Teilnahmechance einen vergleichbaren Nutzen erhalten, anstatt pro Trainingsrunde. Dazu führen sie die „availability‑normalized cumulative utility“ ein, die physikalisch unvermeidbare Einschränkungen von algorithmisch vermeidbaren Verzerrungen durch Scheduling und Aggregation trennt.

Experimentelle Ergebnisse auf zeitlich verzerrten, nicht‑IID‑Federated‑Benchmarks zeigen, dass dieser Ansatz die langfristige Repräsentationsparität deutlich verbessert, während die Gesamtleistung nahezu unverändert bleibt.