面向联邦学习的可协商合同论激励机制
计算机科学与博弈论
2025-10-20 v1
摘要
联邦学习因数据隐私问题的日益突出而获得了广泛关注。隐私限制使得数据消费者（DCs）无法准确评估数据所有者（DOs）的能力和努力程度。因此，对于开放式协作式联邦学习市场要实现发展，有效的激励机制至关重要，因为它们可以激励数据所有者（DOs）为联邦学习任务作出贡献。合同理论是 developing FL 激励机制的有用技术。现有方法通常假设一旦数据消费者（DC）与数据所有者（DO）之间签订合同，便保持不变直到联邦学习任务完成。然而，不可预见的情形可能导致数据所有者（DO）无法履行当前合同，从而导致数据消费者（DC）的预算被低效利用。为此，我们提出了面向联邦学习的可协商合同论激励机制（RC-TIM）。与以往方法不同，RC-TIM 能够适应数据所有者（DO）行为变化和预算约束，通过支持合同协商，提供灵活且动态的激励。在 RC-TIM 条件下，联邦学习系统对不可预测的运行环境变化更加适应，这些变化可能影响数据所有者（DO）所提供服务的质量。在三个基准数据集上的大量实验表明，RC-TIM 在四种最先进的相关方法中显著优于，平均性能提升最高可达 45.76%。
引用
@article{arxiv.2510.15344,
title = {A Renegotiable contract-theoretic incentive mechanism for Federated learning},
author = {Xavier Tan and Xiaoli Tang and Han Yu},
journal= {arXiv preprint arXiv:2510.15344},
year = {2025}
}