Feb, 2023

跨场所联邦学习的自适应激励：多智能体强化学习方法

PDF
TL;DR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。
cross-silo federated learningincentivizationmulti-agent reinforcement learningdynamic training environmentlong-term payoffs
发现论文，激发创造
  • 跨领域联合学习：挑战与机遇

    本文概述了联邦学习领域中的一个新兴分支 “cross-silo FL”，分析了其应用和所面临的主要挑战，并对现有方法进行了系统总结，同时指出了未来需要重点研究的方向和问题。

    Jun, 2022

  • 面向参与者的联邦学习中的协作：博弈论视角

    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

  • 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

  • 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

  • 适应适应性：跨数据源联邦学习个性化学习

    本文提出了 APPLE，这是一个个性化的跨平台联邦学习框架，在不均匀的数据集上实现了最先进的性能表现，并灵活控制了全局和本地目标的焦点。

    Oct, 2021

  • 强化学习作为鲁棒和公平联邦学习的催化剂：解读客户贡献的动态

    提出了一种新的强化联邦学习（RFL）框架，通过深度强化学习在聚合过程中自适应优化客户贡献，提高模型对恶意客户的鲁棒性和参与者之间的公平性，在非独立分布的情况下实现鲁棒性和公平性，并通过验证集性能引导的奖励机制获得了可靠性和公平性的可比较水平。

    Feb, 2024

  • 联邦学习中高效客户端选择的多智能体强化学习方法

    本文提出了一种基于 Multi-Agent Reinforcement Learning 的 Federated learning 框架 - FedMarl，该框架不仅可以显著提高模型精度，还能大幅降低处理延迟和通信成本，从而解决了 Federated learning 在实际应用中的训练效率问题。

    Jan, 2022

  • 行星探测的联邦多智能体映射

    多智能体机器人探索中，联邦学习是处理分布式数据、地图表示和元初始化的有效方法。方法通过利用隐式神经映射和地球数据预训练，实现紧凑且适应性高的地图表示，在多智能体探索场景中展现强大的泛化能力。

    Apr, 2024

  • 个性化和激励式联邦学习

    本文提出了一种一次性个性化解决方案 PI-FL，采用基于令牌的奖励机制来激励客户参与个性化训练，克服了客户不愿意参与联邦学习进程的问题，同时确保客户隐私，该方案表现优于其他现有方法，能够生成高质量的个性化模型。

    Apr, 2023

  • 动态个性化联邦学习与激励

    本文介绍了一种名为 DyPFL 的动态个性化联邦学习技术，将受训练意愿不同的客户纳入考虑，以提高收敛性能。结果表明，该算法可以在各种条件下优于替代个性化方法。

    Aug, 2022