面向跨站点联邦学习的合作竞争兼容数据生成框架
机器学习
2025-09-24 v1 人工智能
计算工程、金融与科学
分布式、并行与集群计算
计算机科学与博弈论
摘要
跨站点联邦学习（Cross-silo Federated Learning, CFL）使组织（如医院或银行）能够在保持数据本地化的同时协同训练人工智能（AI）模型。虽然先前工作主要关注组织间的统计异质性，但经济竞争带来的挑战尤为关键——组织可能是市场竞争对手，因可能导致净收益（即净收益）下降而不愿参与联合训练。此外，统计异质性与组织间竞争的综合影响仍未充分探讨。本文提出的 CoCoGen 框架利用生成式人工智能（GenAI）和博弈论，建模、分析并优化在异构且竞争环境下的协作学习。具体而言，CoCoGen 通过学习绩效和基于效用的表述来刻画竞争与统计异质性，并将每个训练轮次建模为加权潜在博弈。我们随后推导出最大化社会福利的 GenAI 数据生成策略。在 Fashion-MNIST 数据集上的实验结果揭示了不同异质性和竞争水平如何影响组织行为，证明 CoCoGen 在基线方法中持续领先。
引用
@article{arxiv.2509.18120,
title = {A Coopetitive-Compatible Data Generation Framework for Cross-silo Federated Learning},
author = {Thanh Linh Nguyen and Quoc-Viet Pham},
journal= {arXiv preprint arXiv:2509.18120},
year = {2025}
}
备注
Accepted in IEEE GLOBECOM 2025