Apr, 2023

层次化联邦学习的双层激励机制设计

PDF
TL;DR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。
hierarchical federated learningincentive mechanism designmulti-tiered computation architecturescoalition formation gamestackelberg game algorithm
发现论文，激发创造
  • 用于气体使用估计的分层联邦学习激励

    本文介绍了一种基于分层联邦学习的天然气使用量估算机制，采用多维度贡献感知的奖励分配函数以鼓励天然气公司和供暖站积极参与，旨在解决传统基于中心化数据处理的隐私风险问题。

    Jul, 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

  • 物联网分层联邦学习中的设备调度和分配

    提出了改进的 K-Center 算法用于设备调度，并引入了基于深度强化学习的方法来分配物联网设备给边缘服务器，证明了在进行 Hierarchical FL 时，调度 50% 的物联网设备通常足以实现收敛，同时延迟和能耗明显降低，而在追求绿色人工智能以及减少消息传输方面，调度 30% 的物联网设备能够在保持模型准确度的同时大幅减少能耗和消息量。

    Feb, 2024

  • 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

  • H-FL：面向联邦学习的分层通信高效和隐私保护体系结构

    本文提出了一种名为分层联邦学习（H-FL）的新框架，通过运行时分布重构策略，利用中介将客户端重新分配并重新安排客户端的本地训练，设计了一种压缩校正机制，同时不牺牲模型性能，降低通信开销，引入局部训练的差分隐私，注入适量的噪声到完整模型的一部分中，从而提供隐私保障，在真实的图像识别任务的不同数据集上实验结果表明，我们的 H-FL 框架实现了最先进的性能。

    Jun, 2021

  • 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

  • 分层和分散的联邦学习

    分层联邦学习是一种扩展传统联邦学习过程以实现更高效的模型聚合的方法，可用于智能农业和智能能源管理等应用中，以提高性能并降低成本。

    Apr, 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

  • 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