一种面向设备端联邦学习的众包框架
机器学习
2020-05-07 v2 计算机科学与博弈论
网络与互联网体系结构
机器学习
摘要
联邦学习（FL）基于以去中心化方式训练全局模型的理念。在此设定下，移动设备在其本地数据上执行计算，然后上传所需更新以改进全局模型。然而，当参与客户端采用不协调的计算策略时，难点在于在聚合期间交换模型参数时处理通信效率（即每次迭代的通信次数）。因此，FL 中的一个关键挑战是用户如何参与以通信高效地构建高质量全局模型。我们通过构建效用最大化问题来解决此问题，并提出了一种新颖的众包框架来利用 FL，该框架在参数交换期间考虑通信效率。首先，我们展示了众包平台与参与客户端训练全局学习模型的独立策略之间的基于激励的交互，其中各方最大化自身收益。我们构建了一个两阶段 Stackelberg 博弈来分析此类场景并找到博弈均衡。其次，我们形式化了一种参与客户端的准入控制方案以确保一定程度的本地精度。仿真结果表明我们所提方案的有效性，在所提供的奖励上获得高达 22% 的收益。
引用
@article{arxiv.1911.01046,
title = {A Crowdsourcing Framework for On-Device Federated Learning},
author = {Shashi Raj Pandey and Nguyen H. Tran and Mehdi Bennis and Yan Kyaw Tun and Aunas Manzoor and Choong Seon Hong},
journal= {arXiv preprint arXiv:1911.01046},
year = {2020}
}
备注
Accepted in IEEE Transactions on Wireless Communications