Jul, 2022

面向参与者的联邦学习中的协作：博弈论视角

PDF
TL;DR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。
发现论文，激发创造
  • 联邦学习中的协作公平性

    研究分布式和联邦学习的合作公平性问题，提出了一种新的协作公平联邦学习框架，利用声誉来强制不同参与者收敛于不同模型，从而在不损害预测性能的情况下实现公平。

    Aug, 2020

  • 联邦学习中的协作均衡

    本文研究一种理性协作称作‘协作均衡’的范式，使用‘利益图’描述每个客户端与其他客户端合作的益处，并提出 Pareto 优化方法来识别最佳合作者，通过迭代图操作从利益图中达成协作均衡。在合成和真实数据集上进行的实验表明了我们的方法的有效性。

    Aug, 2021

  • FedCompetitors：竞争参与者的协调协作联邦学习

    在这篇论文中，我们利用图论和整数线性规划，通过扩展平衡理论中的一个原则来确保在联邦学习生态系统中不存在利益冲突，从而确定每个 FL-PT 的合作者，解决了数据异质性和竞争性之间的冲突，并通过与其他五种方法的比较进行了实证研究来证明其有效性。

    Dec, 2023

  • 基于多资源交换的联邦学习激励机制

    通过多用户协作计算框架，将联邦学习中的模型所有者和数据所有者分为两种角色，通过允许数据所有者将额外的本地计算任务转移到模型所有者来有效地促使其参与，从而实现高准确度且最小化联邦学习任务所需时间的目标

    Dec, 2023

  • 一种面向设备的联邦学习众包框架

    本文提出了一种新的众包框架来解决分散式学习中的通信效率问题，并通过制定参与客户端的准入控制方案来保证其本地准确性水平。通过基于激励和 Stackelberg 游戏等模型的分析与模拟实验，证明了该方案的有效性。

    Nov, 2019

  • 跨场所联邦学习的自适应激励：多智能体强化学习方法

    提出一种基于多智能体强化学习的新颖机制来优化跨领域联邦学习的激励机制，从历史潜在博弈中学习最优的数据贡献策略，以有效改进组织的长期收益。

    Feb, 2023

  • 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

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 声誉机制即所需：联邦学习中的协作公平和对抗鲁棒性

    本文提出了一种新的稳健公平联邦学习（Robust and Fair Federated Learning，RFFL）框架，通过声誉机制实现协作公平和对抗鲁棒性，可在基准数据集上实现高公正性并对不同类型的对手非常鲁棒。

    Nov, 2020

  • 分散化且激励的联邦学习框架：系统文献综述

    本文系统地回顾和筛选了 422 篇文献，研究了联邦学习框架，揭示了当前研究的局限性，并提出了未来研究的方向。

    May, 2022