Nov, 2023

基于前向拍卖的联邦学习多会话预算优化

PDF
TL;DR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。
auction-based federated learningmulti-session aflmultibos-aflbudget optimizationreinforcement learning
发现论文，激发创造
  • 基于拍卖联邦学习中数据消费者的效用最大化竞标策略

    许多现有的拍卖式联邦学习假设只有一个数据消费者和多个数据所有者参与，在实际的联邦学习市场中有多个数据消费者可以竞争吸引数据所有者加入任务中。本文提出了一种新型的拍卖式联邦学习数据消费者效用最大化竞标策略（Fed-Bidder），它通过提供适应不同的市场动态的中标功能来有效地和高效地使多个联邦学习数据消费者竞争数据所有者的加入。基于六个常用基准数据集的广泛实验表明，Fed-Bidder 相对于四种最先进的方法具有显著的优势。

    May, 2023

  • 面向代理的基于拍卖的联邦学习中数据拥有者的联合决策支持

    基于拍卖的联邦学习（AFL）引起了广泛的研究兴趣，因其能通过经济手段激励数据所有者（DO）参与 FL。本文提出了一种面向 DO 的首个代理导向的联合定价、接受和分委托决策支持方法（PAS-AFL），通过考虑 DO 的当前声誉、待处理的 FL 任务、愿意训练 FL 模型以及其与其他 DO 之间的信任关系，提供了一种系统的方法来进行 AFL 出价接受、任务分委托和定价的联合决策，并基于 Lyapunov 优化来最大化其效用。在六个基准数据集上进行的大量实验证明了 PAS-AFL 相比六种替代策略的重要优势，平均来说，在效用和最终 FL 模型的测试准确率方面，它分别比最佳基准线提高了 28.77% 和 2.64%。

    May, 2024

  • 拍卖式联邦学习中的智能代理：一项综述

    该论文提供了首次的智能代理人对拍卖联邦学习（IA-AFL）文献的综述，通过提出一个独特的多层次分类法，将 IA-AFL 的现有研究组织成为以利益相关者、采用的拍卖机制和代理人目标为基础的多角度视角，同时分析了现有方法的局限性、总结了常用的性能评估指标，并探讨了未来有前景的方向，为 IA-AFL 生态系统中的有效而高效的利益相关者导向的决策支持提供了基础。

    Apr, 2024

  • 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

    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。

    May, 2023

  • 需要时雇佣：基于竞拍的渐进参与者招募的联合学习

    我们提出了基于拍卖的渐进参与者选择方案来解决联邦学习中遇到的评价偏见和冷启动问题，并通过实验表明，与现有方法相比，GPS-AFL 可以降低成本约 33.65%，平均提高总效用 2.91%。

    Oct, 2023

  • 买家竞价市场下的联邦学习激励机制

    利用拍卖机制进行联邦学习中买方市场中的定价行为的建模，采用基于区块链的声誉机制选择高可靠性和数据质量的客户，验证方法的有效性。

    Sep, 2023

  • 无线网络异步多模型联邦学习：理论、建模和优化

    本文提出了一种应用于多个下游任务的异步模型传输的联邦学习方法，通过引入调度张量来表征设备调度，并通过收敛性分析探究了资源分配、设备调度和个体模型状态等对机器学习性能的影响，进而通过非凸混合整数优化问题来调整资源分配和设备调度，以在能量消耗和性能之间达到高效平衡，并通过数值模拟揭示了该方法在模型性能和网络资源节约方面的优势。

    May, 2023

  • 联邦学习中多模型公平并发训练

    多模型联邦学习算法设计及公平性和激励机制对训练收敛的影响研究。

    Apr, 2024

  • MAS：面向资源高效的联邦多任务学习

    提出一种用于协调和训练多个同时进行的联邦学习任务的系统，名为 MAS（Merge and Split），通过多任务架构将多个任务合并为一个任务进行训练，并根据任务之间的亲和度在训练过程中将其拆分成两个或更多任务继续训练，实验证明 MAS 方法在性能优化方面胜过其他方法，同时减少训练时间 2 倍并降低 40% 的能源消耗。

    Jul, 2023

  • 基于学习的无线网络联邦学习服务客户选择与经济预算约束

    该研究针对无线网络中多个联合学习服务，探究了一个基于数据质量感知的动态客户端选择问题，提出了一个多智能体混合深度强化学习算法以优化客户端选择和付款行为，同时避免行动冲突，并给出了模拟结果表明该算法显著提高了训练性能。

    Aug, 2022