基于随机客户端参与的无偏联邦学习激励机制设计

Apr, 2023

基于随机客户端参与的无偏联邦学习激励机制设计

Incentive Mechanism Design for Unbiased Federated Learning with Randomized Client Participation

Bing Luo, Yutong Feng, Shiqiang Wang, Jianwei Huang, Leandros Tassiulas

TL;DR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。

Abstract

incentive mechanism is crucial for federated learning (FL) when rational clients do not have the same interests in the global model as the server. However, due to system heterogeneity and limited budget, it is ge

federated learning incentive mechanism game theory client participation convergence bound

发现论文，激发创造

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

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

激励联邦学习

本文介绍了一种激励机制，鼓励客户共享他们所拥有的尽可能多的数据，以提高联合学习的性能，该机制与以前的不同之处在于使用模型性能而不是数据作为激励，我们在一定的条件下理论上证明了客户将使用他们尽可能多的数据参与联合学习

May, 2022

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

面向众包数据标注的联邦学习诚实激励机制

本文研究了在联邦学习中使用众包数据标注的问题，考虑了客户端的策略性行为，设计了能够激励客户端诚实行为的机制，并在实验中评估了该机制的性能。

Jan, 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

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

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

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

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