클라이언트 기여도 평가는 연합학습(FL)에서 영향력 있는 클라이언트를 효과적으로 선택하기 위해 중요하다. 중앙집중식 환경에서의 데이터 가치 평가와 달리, FL에서의 클라이언트 기여도 평가는 데이터 접근성의 부재로 인해 데이터 이질성의 영향에 대한 안정적인 정량화에 어려움이 따른다. 이러한 클라이언트 기여도 평가의 불안정성을 해결하기 위해, 우리는 데이터 크기를 클라이언트 기여도 평가의 도구로 활용하는 경험적 방법 Federated Client Contribution Evaluation through Accuracy Approximation(FedCCEA)를 제안한다. 여러 FL 시뮬레이션 후, FedCCEA는 표본으로 추출된 데이터 크기를 사용하여 테스트 정확도를 근사하고, 학습된 정확도 근사기로부터 클라이언트 기여도를 도출한다. 또한 FedCCEA는 data size diversification 을 부여함으로써 게임이론적 전략에서 비롯되는 정확도의 막대한 변동을 감소시킨다. 여러 실험을 통해 FedCCEA가 다양한 이질적 데이터 환경에 대한 견고성을 강화하고, 부분 참여의 실용성을 향상시킴이 입증되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.