基于拍卖式联邦学习中数据所有者的智能体导向联合决策支持
机器学习
2024-05-13 v1 人工智能
计算机科学与博弈论
摘要
拍卖式联邦学习（Auction-based Federated Learning, AFL）因能够通过经济手段激励数据所有者（DOs）加入联邦学习而引起广泛关注。虽然许多现有 AFL 方法侧重于为模型用户（MUs）和 AFL 竞拍者提供决策支持，但数据所有者的决策支持仍未实现。为弥合这一差距，我们提出一种首创性的智能体导向的数据所有者在 AFL 中的联合定价、接受与子委托决策支持方法（PAS-AFL）。该方法考虑了数据所有者的当前声誉、待处理的联邦学习任务、愿意训练模型的意愿，以及其与其他数据所有者之间的信任关系，为数据所有者在 AFL 中的投标接受、任务子委托和定价提供了系统化的方法，以最大化其效用。该方法首次使每个数据所有者能够同时承担多个联邦学习任务，以获取更高收入，并提高 AFL 生态系统中联邦学习任务的吞吐量。基于六个基准数据集的大量实验表明，PAS-AFL 在效用和所得联邦学习模型的测试准确率方面显著优于六种备选策略，平均性能分别比最佳基线提高 28.77% 和 2.64%。
关键词
引用
@article{arxiv.2405.05991,
title = {Agent-oriented Joint Decision Support for Data Owners in Auction-based Federated Learning},
author = {Xiaoli Tang and Han Yu and Xiaoxiao Li},
journal= {arXiv preprint arXiv:2405.05991},
year = {2024}
}