Jun, 2024

IMFL-AIGC: 面向人工智能生成内容的联邦学习激励机制设计

PDF
TL;DR通过使用人工智能生成的内容为联邦学习模型性能提升提供新的数据合成技术，并通过数据质量评估方法和激励机制解决客户参与联邦学习的经济激励问题。
发现论文，激发创造
  • 无线网络中基于联邦学习的 AI 生成内容

    本文介绍了基于联邦学习技术实现艺术智能生成内容的方法，解决了中心化训练带来的隐私问题，并成功应用于 AIGC 的微调中， 可以有效减少通信成本和训练延迟。

    Jul, 2023

  • 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

  • 分散式车联网中移动 AIGC 服务的基于学习的激励机制

    在本文中，我们提出了一种分散化的激励机制，利用多智能体深度强化学习在车联网环境中平衡 RSUs 上的 AIGC 服务供应和用户对服务的需求，以优化用户体验和减小传输时延。实验结果表明，我们的方法在性能上优于其他基准模型。

    Mar, 2024

  • 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

  • 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

  • 基于生成内容的联邦学习增强

    提出了一种名为 FedGC 的新型联邦学习框架，通过引入生成内容来减轻数据异质性问题，提高了联邦学习方法的性能和隐私保护。

    Dec, 2023

  • 个性化和激励式联邦学习

    本文提出了一种一次性个性化解决方案 PI-FL，采用基于令牌的奖励机制来激励客户参与个性化训练，克服了客户不愿意参与联邦学习进程的问题，同时确保客户隐私，该方案表现优于其他现有方法，能够生成高质量的个性化模型。

    Apr, 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

  • 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