May, 2024

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

PDF
TL;DR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%。
auction-based federated learningdata ownersdecision supportpricing, acceptance and sub-delegationlyapunov optimization
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于拍卖的联邦学习模型交易市场

    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。

    Feb, 2024

  • 无政府联邦学习

    本文提出了一种新的联邦学习模型 ——“Anarchic Federated Learning”，其中探索了参与联邦学习的工作者的自由度与收敛速度的平衡，并提出了两种算法，验证在现实数据集下的有效性以及成果。

    Aug, 2021

  • 多任务联合学习的公平性感知工作调度

    基于 Lyapunov 优化，提出了首个公平感知的联邦作业调度（FairFedJS）方法，确保对高需求的联邦学习客户端数据集进行公平分配，以防止长时间等待。通过在两个数据集上与四种最先进的方法进行广泛实验证明，相较于最佳基准线，其在调度公平性和收敛时间方面分别提高了 31.9％和 1.0％，同时实现了可比较的测试准确性。

    Jan, 2024

  • TrustFed：一种具有恶意攻击抵抗能力的可靠联邦学习框架

    提出了一种层次化审计的联邦学习（HiAudit-FL）框架，使用模型审计和参数审计两个阶段来增强学习过程的可靠性和安全性，并通过基于扩散模型的 AI-Enabled 审计选择策略（ASS）和深度强化学习（DRL）框架设计了高效的 DRL-ASS 算法来识别和处理潜在的恶意用户。

    Dec, 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