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
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
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
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
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
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
该研究提出了一种便捷、简单的采样方案,用于减少联邦学习迭代次数并最大程度提高效率,主要研究领域包括联邦学习、人口模型、梯度和采样方案。
Sep, 2019
本研究利用博弈论和机制设计的方法,解决联邦学习中的全局性能优化和本地性能优化之间的张力问题,并通过统计准则和联邦学习算法的选择来设计简单的最优联邦学习机制,鼓励数据收集者贡献代表全局人口的数据,最大化全局性能。
Jun, 2023
本论文提出了一个新的分析框架来激励参与者中心的联邦学习,分别提出了两种贡献无关的 FL(COFL)和贡献感知 FL(CAFL)游戏模型,讨论了 Nash 平衡的独特性和存在性并设计了有效的算法来达到平衡解决方案。 大量的性能评估表明,COFL 中存在着 free-riding 现象,而采用具有优化的最小阈值的 CAFL 模型可以大大缓解此现象。
Jul, 2022