Qingming Li, Juzheng Miao, Puning Zhao, Li Zhou, H. Vicky Zhao, Shouling Ji, Bowen Zhou, Furui Liu
在联邦学习中，客户端选择是一个关键问题，对模型性能和公平性均有显著影响。以往的研究通常将这两个目标分开处理，或使用简单的加权方案进行平衡。然而，作者观察到模型性能与公平性的常用度量指标往往相互冲突，简单的加权组合不足以捕捉它们之间复杂的交互关系。
为解决这一问题，论文首先提出了两条指导原则，直接应对两个指标之间的固有冲突，同时使二者相互强化。基于这些原则，作者将客户端选择问题建模为长期优化任务，利用 Lyapunov 函数和问题的子模性质进行有效求解。
实验表明，所提出的方法同时提升了模型性能和公平性，引导系统收敛到与全客户端参与相当的水平。这一改进归因于模型性能和公平性都受益于所选客户端数据分布的多样性。该方法通过基于客户端数据分布进行选择，自适应地增强这种多样性，从而同时改进模型性能和公平性。