本文介绍了一种激励机制,鼓励客户共享他们所拥有的尽可能多的数据,以提高联合学习的性能,该机制与以前的不同之处在于使用模型性能而不是数据作为激励,我们在一定的条件下理论上证明了客户将使用他们尽可能多的数据参与联合学习
May, 2022
采用博弈论设计一种有效的激励机制来解决联邦学习中用户参与之间的难题,同时解决由于学习过程中隐私泄露而导致的效果下降问题。
Sep, 2020
设计了一个基于拍卖的激励机制,采用贡献和信誉度来评价工人,通过反向拍卖选择工人并根据表现付费,满足了诚实工人的个人理性、预算可行性、真实性和计算效率。
Jan, 2022
图形联邦学习中的激励机制和公平性评估函数,以及模式原型的应用,提高模型准确性和公平性。
Dec, 2023
本研究采用合同理论设计一种有效的激励机制,以促进具有高质量(即高准确性)数据的移动设备参加联合学习,并在提高学习准确性的同时,加强数据隐私保护和安全性。
May, 2019
通过引入数据共享博弈模型和博弈论方法,设计了一种基于核心选择的激励机制,在减少计算开销的同时,激励参与者输入高质量数据和保持稳定合作关系,验证了其有效性。
Sep, 2023
在水平联邦学习中,作者提出一种基于逆拍卖的在线激励机制,以实现更高质量的模型,并证明该机制可满足多项性质。
本文提出了一种基于博弈论的激励机制,通过随机客户端参与度数,实现以不偏差的方式获得高性能模型,并分析了客户端的参与度数和异质性数据如何影响模型性能的收敛界。
Apr, 2023
基于协议理论的联邦学习任务训练模型可以有效地提高任务的生成准确性和概括准确性,其中采用基于协议的聚合机制作为激励机制。
Aug, 2021
本文提出在网络边缘实现联合学习的设计方面,使用建模激励交互的方式来推动设备的参与,同时列举了几个未解决的研究挑战和未来研究方向。
Nov, 2019