- 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。
- ICLR激励诚实通信对于联邦赌博机的应用
通过提出名为 Truth-FedBan 的激励兼容（即真实性）通信协议，本文首次展示了在联邦赌博学习中同时实现激励兼容性和近乎最优的遗憾的可能性。大量的数值研究进一步验证了我们提出的解决方案的有效性。
- 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 - iDML：激励式去中心化机器学习
本项目提出了一种基于区块链和智能合约的去中心化机器学习激励机制，为设备提供激励并检查反馈学习架构行为，从而实现去中心化和机会式学习。
- 面向众包数据标注的联邦学习诚实激励机制
本文研究了在联邦学习中使用众包数据标注的问题，考虑了客户端的策略性行为，设计了能够激励客户端诚实行为的机制，并在实验中评估了该机制的性能。
- 语义通信系统的经济学：拍卖方法
本文提议利用层次化交易系统支持语义模型和信息交易。该机制可以用于优化语义模型交易，同时支持多个信息交易卖家和买家之间的贸易。
- GAC：面向未知社交网络中用户激励的深度强化学习模型
本文提出了一种基于强化学习框架的几何演员 - 评论家模型进行有效的奖励分配，无需事先了解用户属性，以应对在社交网络中激励强化分配的挑战。
- 联邦学习激励机制综述
本研究综述了联邦学习的激励机制问题，归纳了不同的机制分类，包括 Stackelberg game， auction 和 reinforcement learning，并讨论将来的研究方向。
- 深度贝叶斯信任：众包中的主导公平激励机制
提出了一种新颖的机制来激励人群工作，仅给少数人分配黄金任务并利用传递性从他们的同伴准确性中推导其他人的准确性，从而确保博弈论激励兼容性和公平性。
- WWW定向众包：拥有十亿（潜在）用户的众包
Quizz 是一个众包系统，利用广告投放来识别知识渊博的用户并评估其能力，借助用户回答未知问题来获取新的知识，通过控制实验并引入短期激励机制，可以在成本更低的情况下以高质量的方式收集和筛选专业话题领域的信息。
- 智能手机数据采集与分布式计算中的激励机制
本文研究了为鼓励智能手机用户在数据采集和分布式计算应用上合作而设计的不同激励机制，并提出一种基于奖励的协作机制，以及如何针对不同的用户类型设计最优契约。