一种基于多资源交换的联邦学习激励机制
机器学习
2023-12-14 v1
摘要
联邦学习（FL）是一种分布式机器学习范式，旨在解决机器学习中的隐私问题，同时仍能保证较高的测试精度。然而，考虑到客户端本地计算资源的限制，让所有客户端都参与FL以达到必要的精度是不切实际的。在本文中，我们引入了一个多用户协作计算框架，将用户分为两种角色：模型拥有者（MOs）和数据拥有者（DOs）。在不诉诸货币激励的情况下，MO可以通过允许DO将额外的本地计算任务卸载到MO上执行，来鼓励更多的DO加入FL。这种用“数据”交换“计算资源”的方式简化了激励措施，使客户端更有效地参与FL。我们将MO和DO之间的交互形式化为一个优化问题，其目标是有效利用MO和DO的通信和计算资源，以最小化完成FL任务的时间。所提出的问题是一个具有高计算复杂度的混合整数非线性规划（MINLP）。我们首先将其分解为两个不同的子问题，即客户端选择问题和资源分配问题，以将整数变量与连续变量分离。然后，提出了一种有效的迭代算法来求解该问题。仿真结果表明，所提出的协作计算框架可以实现超过95%的准确率，同时最小化完成FL任务的总时间。
引用
@article{arxiv.2312.08096,
title = {An Incentive Mechanism for Federated Learning Based on Multiple Resource Exchange},
author = {Ruonan Dong and Hui Xu and Han Zhang and GuoPeng Zhang},
journal= {arXiv preprint arXiv:2312.08096},
year = {2023}
}