基于拍卖的联邦学习模型交易市场

Feb, 2024

基于拍卖的联邦学习模型交易市场

An Auction-based Marketplace for Model Trading in Federated Learning

Yue Cui, Liuyi Yao, Yaliang Li, Ziqian Chen, Bolin Ding...

TL;DR联邦学习作为模型使用本地分布数据进行训练的有效方法，但是合作过程中共享数据的合理价值评估尚未充分解决。本文将联邦学习视为模型市场，客户既是买家也是卖家，通过模型交易获取经济回报，并通过购买他人的模型提高本地模型性能。我们提出了一种基于拍卖的解决方案，以基于性能提升确保适当的定价。还设计了激励机制来鼓励客户诚实地披露模型估值。此外，我们引入了一个强化学习框架以实现在动态发展的市场状态下的最大交易量。对四个数据集的实验结果表明，所提出的联邦学习市场能够实现高交易收入和公平的下游任务准确性。

Abstract

federated learning (FL) is increasingly recognized for its efficacy in training models using locally distributed data. However, the proper valuation of shared data in this collaborative process remains insufficiently addressed. In this work, we frame FL as a marketplace of models, wher

federated learning shared data valuation model trading auction-based solution reinforcement learning

发现论文，激发创造

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

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

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

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

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

联邦学习中的数据估值与检测

使用隐私保护方法进行数据估值的联邦学习研究，借助 Wasserstein 距离提供透明数据评估和有效计算 Wasserstein barycenter 以减少对验证数据的依赖，并通过广泛的实证实验和理论分析展示了该估值指标的研究前景。

Nov, 2023

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

联邦学习的进展：模型、方法和隐私

本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

Feb, 2023

一种面向设备的联邦学习众包框架

本文提出了一种新的众包框架来解决分散式学习中的通信效率问题，并通过制定参与客户端的准入控制方案来保证其本地准确性水平。通过基于激励和 Stackelberg 游戏等模型的分析与模拟实验，证明了该方案的有效性。

Nov, 2019