基于拍卖的水平联邦学习的事后支付激励机制设计，包括声誉和贡献度测量

Jan, 2022

基于拍卖的水平联邦学习的事后支付激励机制设计，包括声誉和贡献度测量

Auction-Based Ex-Post-Payment Incentive Mechanism Design for Horizontal Federated Learning with Reputation and Contribution Measurement

PDF

Jingwen Zhang, Yuezhou Wu, Rong Pan

TL;DR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。

Abstract

federated learning trains models across devices with distributed data, while protecting the privacy and obtaining a model similar to that of centralized ML. A large number of workers with data and computing power are the foundation of federal learning. However, the inevitable costs pre

federated learning privacy protection incentive mechanism reputation measurement reverse auctions

发现论文，激发创造

基于在线拍卖的在预算限制下的水平联合学习激励机制设计

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。

Jan, 2022

联邦学习激励机制综述

本研究综述了联邦学习的激励机制问题，归纳了不同的机制分类，包括 Stackelberg game， auction 和 reinforcement learning，并讨论将来的研究方向。

Jun, 2021

买家竞价市场下的联邦学习激励机制

利用拍卖机制进行联邦学习中买方市场中的定价行为的建模，采用基于区块链的声誉机制选择高可靠性和数据质量的客户，验证方法的有效性。

Sep, 2023

基于随机客户端参与的无偏联邦学习激励机制设计

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

交易数据以学习：设备联邦学习的激励机制

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

基于合同理论的联邦学习激励机制

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

激励联邦学习

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

通过激励机制实现公平图谱联合学习

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

基于合同理论的异步联邦学习与激励机制

我们提出了一种新颖的异步联邦学习框架，该框架整合了基于合同理论的激励机制，通过自适应地调整客户端的本地模型训练轮数来最大化任务发布者的效用，考虑到时间延迟和测试准确性等因素。通过在 MNIST 数据集上进行的实验，模拟结果表明，我们的框架比没有任何攻击的 FedAvg 和 FedProx 分别提高了 3.12％和 5.84％的测试准确性。在受到攻击时，该框架比理想的本地 SGD 准确性提高了 1.35％。此外，针对相同的目标准确性，我们的框架所需的计算时间明显少于 FedAvg 和 FedProx。

Oct, 2023

基于拍卖的联邦学习模型交易市场

联邦学习作为模型使用本地分布数据进行训练的有效方法，但是合作过程中共享数据的合理价值评估尚未充分解决。本文将联邦学习视为模型市场，客户既是买家也是卖家，通过模型交易获取经济回报，并通过购买他人的模型提高本地模型性能。我们提出了一种基于拍卖的解决方案，以基于性能提升确保适当的定价。还设计了激励机制来鼓励客户诚实地披露模型估值。此外，我们引入了一个强化学习框架以实现在动态发展的市场状态下的最大交易量。对四个数据集的实验结果表明，所提出的联邦学习市场能够实现高交易收入和公平的下游任务准确性。

Feb, 2024