联邦学习激励机制全面综述
机器学习
2021-06-30 v1 计算机科学与博弈论
摘要
联邦学习利用参与者提供的各种资源协作训练全局模型，潜在地解决了机器学习的数据隐私问题。在这种有前景的范式中，若学习过程中缺乏足够的训练数据及其他资源，性能将会恶化。因此，通过某些报酬激励更多参与者为联邦学习贡献其宝贵资源是至关重要的。在本文中，我们对联邦学习的激励方案进行了全面综述。具体地，我们界定了联邦学习中的激励问题，随后为各种方案提供了分类法。接着，我们依据主要技术（如Stackelberg博弈、拍卖、契约理论、Shapley值、强化学习、区块链）总结了现有激励机制。通过回顾与比较一些令人瞩目的结果，我们指出了未来研究的三个方向。
引用
@article{arxiv.2106.15406,
title = {A Comprehensive Survey of Incentive Mechanism for Federated Learning},
author = {Rongfei Zeng and Chao Zeng and Xingwei Wang and Bo Li and Xiaowen Chu},
journal= {arXiv preprint arXiv:2106.15406},
year = {2021}
}
备注
more than 10 pages