Jan, 2022
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
Online Auction-Based Incentive Mechanism Design for Horizontal Federated Learning with Budget Constraint
Jingwen Zhang, Yuezhou Wu, Rong Pan
TL;DR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。
Abstract
federated learning makes it possible for all parties with data isolation to
train the model collaboratively and efficiently while satisfying privacy
protection. To obtain a high-quality model, an incentive mechanism
发现论文，激发创造
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
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
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
BARA: 跨边缘联邦学习中基于在线奖励预算分配的高效激励机制
提出了一个使用贝叶斯优化算法进行在线奖励预算分配的拍卖激励机制 BARA，用于交叉组织边缘设备的联邦学习优化，其有效性已在真实数据集上得到验证。
May, 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
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
层次化联邦学习的双层激励机制设计
本文探讨了分层联邦学习的激励机制设计问题，提出了两层次的激励机制，并使用联盟形成博弈和斯坦克尔伯格博弈算法优化了分层联邦学习的效能。数值结果表明，本文提出的算法比现有的基准方案具有更好的表现。
Apr, 2023