无线蜂窝网络中联邦学习的激励机制：一种拍卖方法
机器学习
2020-09-23 v1 计算机科学与博弈论
网络与互联网体系结构
摘要
联邦学习（FL）是一种分布式学习框架，能够处理机器学习中的分布式问题，同时保证较高的学习性能。然而，要求所有用户牺牲自身资源参与 FL 算法是不现实的。这促使我们研究 FL 的激励机制设计。在本文中，我们考虑一个包含 one 基站（BS）和多个移动用户的 FL 系统。移动用户使用自身数据训练本地机器学习模型，然后将训练好的模型发送给 BS，BS 负责生成初始模型、收集本地模型并构建全局模型。接着，我们将 BS 与移动用户之间的激励机制建模为一个拍卖博弈，其中 BS 为拍卖人，移动用户为卖家。在所提出的博弈中，每个移动用户根据其参与 FL 所经历的最小能量代价提交报价。为决定拍卖胜者并最大化社会福利，我们提出了原始-对偶贪心拍卖机制。该机制能够保证三种经济性质，即真实性、个体理性和效率。最后，数值结果展示了我们所提机制的性能有效性。
引用
@article{arxiv.2009.10269,
title = {An Incentive Mechanism for Federated Learning in Wireless Cellular network: An Auction Approach},
author = {Tra Huong Thi Le and Nguyen H. Tran and Yan Kyaw Tun and Minh N. H. Nguyen and Shashi Raj Pandey and Zhu Han and Choong Seon Hong},
journal= {arXiv preprint arXiv:2009.10269},
year = {2020}
}