Aprendizaje Federado Justo

La optimización es crítica en diversos campos como vehículos inteligentes y transporte. El Aprendizaje Federado (FL) ha surgido como un enfoque efectivo en la coordinación de vehículos autónomos, pero los métodos tradicionales como FedAvg pueden generar disparidades de rendimiento entre los clientes. Este documento aborda este problema de equidad a través del marco de Aprendizaje Federado q-Justo (q-FFL), ajustando el rendimiento del modelo entre los clientes utilizando un parámetro de equidad ajustable. Proponemos un algoritmo FedAvg modificado para q-FFL que mantiene tasas de convergencia comparables, asegurando resultados más equilibrados para los clientes. Además, exploramos mecanismos de incentivo en FL utilizando un modelo de juego de Stackelberg, incorporando un coeficiente de equidad para fomentar una participación equitativa. Basándonos en trabajos previos, redefinimos las funciones de utilidad del cliente para abordar los costos de comunicación y computación, asegurando una asignación justa de recursos. El marco propuesto logra tanto equidad global como local, manteniendo un equilibrio de Nash único en el entorno de juego modificado.