联邦学习中用于模型交易的基于拍卖的市场
机器学习
2024-02-06 v1 人工智能
计算机科学与博弈论
摘要
联邦学习（FL）因其在使用本地分布式数据训练模型方面的有效性而日益得到认可。然而，在这一协作过程中对共享数据的适当估值仍未得到充分解决。在这项工作中，我们将 FL 构建为一个模型市场，其中客户端同时充当买方和卖方，参与模型交易。该 FL 市场允许客户端通过出售自己的模型获得货币奖励，并通过购买他人的模型来提高本地模型的性能。我们提出了一种基于拍卖的解决方案，以确保基于性能增益的适当定价。我们设计了激励机制以鼓励客户端真实地披露其模型估值。此外，我们引入了一个用于营销操作的强化学习（RL）框架，旨在在动态且不断变化的市场状态下实现最大交易量。在四个数据集上的实验结果表明，所提出的 FL 市场能够实现高交易收入和公平的下游任务准确率。
引用
@article{arxiv.2402.01802,
title = {An Auction-based Marketplace for Model Trading in Federated Learning},
author = {Yue Cui and Liuyi Yao and Yaliang Li and Ziqian Chen and Bolin Ding and Xiaofang Zhou},
journal= {arXiv preprint arXiv:2402.01802},
year = {2024}
}