BARA: 跨边缘联邦学习中基于在线奖励预算分配的高效激励机制

May, 2023

BARA: 跨边缘联邦学习中基于在线奖励预算分配的高效激励机制

BARA: Efficient Incentive Mechanism with Online Reward Budget Allocation in Cross-Silo Federated Learning

Yunchao Yang, Yipeng Zhou, Miao Hu, Di Wu, Quan Z. Sheng

TL;DR提出了一个使用贝叶斯优化算法进行在线奖励预算分配的拍卖激励机制 BARA，用于交叉组织边缘设备的联邦学习优化，其有效性已在真实数据集上得到验证。

Abstract

federated learning (FL) is a prospective distributed machine learning framework that can preserve data privacy. In particular, cross-silo fl can complete model training by making isolated data islands of differen

federated learning cross-silo fl reward budget allocation bara incentive mechanism

发现论文，激发创造

基于在线拍卖的在预算限制下的水平联合学习激励机制设计

在水平联邦学习中，作者提出一种基于逆拍卖的在线激励机制，以实现更高质量的模型，并证明该机制可满足多项性质。

Jan, 2022

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

基于前向拍卖的联邦学习多会话预算优化

基于层次强化学习的多会话向前拍卖联邦学习（MultiBOS-AFL）通过优化会话间预算节奏和会话内竞标，旨在最大化总效用，实验证明其明显优于七种最先进方法，平均而言，MultiBOS-AFL 比最佳基准线的效用高出 12.28％、在给定预算内通过拍卖获得的数据多出 14.52％，以及最终 FL 模型的测试准确性比最佳基准线高出 1.23％。据我们所知，这是第一个设计用于多会话向前拍卖联邦学习中的带有预算节奏能力的预算优化决策支持方法。

Nov, 2023

基于拍卖的水平联邦学习的事后支付激励机制设计，包括声誉和贡献度测量

设计了一个基于拍卖的激励机制，采用贡献和信誉度来评价工人，通过反向拍卖选择工人并根据表现付费，满足了诚实工人的个人理性、预算可行性、真实性和计算效率。

Jan, 2022

从学习到分析：通过目标导向的客户选择提高模型效能

通过闭环模型分析框架，我们提出了一种解决基于模型分析框架的目标导向客户选择问题的算法，并推导出了所提算法的两个遗憾上界，数值结果表明所提算法表现接近最优。

Mar, 2024

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

DPBalance：面向联邦学习服务的高效公平隐私预算调度

DPBalance 是一种新型的隐私预算调度机制，通过综合考虑数据分析者级别的优势份额和 FL 特定的性能指标，采用拉格朗日乘数法和有效的贪婪启发式方法设计了一种顺序分配机制，从而同时优化了效率和公平性。