Measure the Contribution of Participants in FL

为满足项目需求，本文重点探讨水平联邦学习中各方贡献度的评估问题：

背景：
联邦机器学习（FML）构建了一个多方协作的环境，使参与者能够在保障数据隐私的前提下共同训练模型。在FML框架下，对各参与方贡献的量化有助于实现公正的信用分配。为了推动联合学习生态系统的有效运行，必须激励不同参与方积极贡献数据并加入协作联盟。信用分配机制与奖励制度 对于吸引当前及潜在参与者具有关键作用。合理评估联邦学习中各方的贡献是实现公平信用分配的基础 。仅凭数据量无法准确衡量贡献，因为某一方可能提供大量数据，但这些数据对模型训练的实际价值有限 。因此需要设计一种方法，能够综合评估整体数据质量，并据此判断其实际贡献。

本论文的研究方向：
在横向FML与纵向FML框架下，提出了一种简洁而有效的技术方案，用于公平计算多方在FML中的贡献度。
横向FML： 采用删除法 来衡量各个实例对模型的影响程度。
纵向FML： 则引入了Shapley值理论 来评估各个特征对模型的重要性。

联邦学习主要分为三类：
横向（水平）联邦学习、纵向（垂直）联邦学习以及联邦迁移学习。

横向联邦学习中的删除法：
为了衡量第i个实例对模型预测结果的影响程度：
采用删除法，在每次从训练集中移除一个实例后重新训练模型，并计算重新训练后的