基于契约理论的联邦学习激励机制
分布式、并行与集群计算
2021-08-13 v1 机器学习
摘要
联邦学习(Federated Learning, FL)作为一种保护数据隐私的机器学习范式,实现了由分布式客户端协同训练的模型。为完成一项FL任务,任务发布者需向FL服务器支付经济激励,而FL服务器将任务分派给贡献数据的FL客户端。由于任务由客户端私下训练,为FL客户端设计恰当的激励具有挑战性。本文旨在提出一种基于契约理论的FL任务训练模型,以在每轮FL训练中客户端满足个体理性(IR)与激励相容(IC)的条件下最小化激励预算。我们通过形式化定义客户端的两类私有类型(即数据质量与计算努力)设计了一个二维契约模型。为有效聚合训练后的模型,提出了一种基于契约的聚合器。我们分析了所提契约模型的可行与最优契约解。实验结果表明,在应用基于契约的聚合时,所提激励机制能够提高FL任务的泛化精度。
引用
@article{arxiv.2108.05568,
title = {A Contract Theory based Incentive Mechanism for Federated Learning},
author = {Mengmeng Tian and Yuxin Chen and Yuan Liu and Zehui Xiong and Cyril Leung and Chunyan Miao},
journal= {arXiv preprint arXiv:2108.05568},
year = {2021}
}
备注
7 pages, 2 figures, International Workshop on Federated and Transfer Learning for Data Sparsity and Confidentiality in Conjunction with IJCAI 2021 (FTL-IJCAI'21), Best Student Paper Award