面向服务的联邦学习自适应分层激励机制
机器学习
2025-09-16 v1 计算机科学与博弈论
系统与控制
系统与控制
摘要
最近，联邦学习（FL）作为一种用于分布式模型训练的新框架出现。在 FL 中，任务发布者（TP）发布任务，本地模型拥有者使用其本地数据训练模型。有时，FL 会因缺乏训练数据而受挫，因此需要招募工作者来收集数据。为此，本文从面向服务的视角提出了一种自适应激励机制，旨在最大化 TP、LMO 和工作者的效用。具体而言，在 LMO 和 TP 之间理论上建立了一个 Stackelberg 博弈，将 TP 定位为领导者，LMO 定位为跟随者。推导出解析的纳什均衡解以最大化它们的效用。LMO 和工作者之间的交互由多智能体马尔可夫决策过程（MAMDP）表述，并通过深度强化学习（DRL）确定最优策略。此外，设计了一种自适应搜索最优策略算法（ASOSA）以稳定每个参与者的策略并解决耦合问题。进行了大量的数值实验以验证所提方法的有效性。
引用
@article{arxiv.2509.10512,
title = {A Service-Oriented Adaptive Hierarchical Incentive Mechanism for Federated Learning},
author = {Jiaxing Cao and Yuzhou Gao and Jiwei Huang},
journal= {arXiv preprint arXiv:2509.10512},
year = {2025}
}
备注
Accepted at CollaborateCom 2025