跨孤岛联邦学习的自适应激励:一种多智能体强化学习方法
机器学习
2023-02-16 v1 人工智能
分布式、并行与集群计算
摘要
跨孤岛联邦学习(FL)是一种典型的 FL,使组织(如金融或医疗实体)能够在隔离数据上训练全局模型。合理的激励是鼓励组织贡献数据的关键。然而,现有关于跨孤岛 FL 激励的工作缺乏对环境动态性(例如训练过程中训练出的全局模型的精度以及不确定客户端所拥有的数据)的考量。此外,其中多数假设组织共享私有信息,这并不现实。为克服这些局限,我们提出一种面向跨孤岛 FL 的新颖自适应机制,旨在激励组织在真实动态训练环境中贡献数据以最大化其长期收益。该机制基于多智能体强化学习,无需组织私有信息即可从潜在博弈的历史中学习近最优的数据贡献策略。实验表明,我们的机制实现了自适应激励,并有效提升了组织的长期收益。
引用
@article{arxiv.2302.07493,
title = {Adaptive incentive for cross-silo federated learning: A multi-agent reinforcement learning approach},
author = {Shijing Yuan and Hongze Liu and Hongtao Lv and Zhanbo Feng and Jie Li and Hongyang Chen and Chentao Wu},
journal= {arXiv preprint arXiv:2302.07493},
year = {2023}
}