基于拍卖的横向联邦学习事后支付激励机制设计：融合声誉与贡献度量
人工智能
2022-03-16 v2 机器学习
多智能体系统
摘要
联邦学习在保护隐私的同时，跨具有分布式数据的设备训练模型，并获得类似于集中式机器学习的模型。大量拥有数据和算力的工人是联邦学习的基础。然而，不可避免的成本使自利工人不会免费服务。此外，由于数据孤岛，任务发布者缺乏有效方法来选择、评估和支付具有高质量数据的可靠工人。因此，我们设计了一种基于拍卖的带声誉与贡献度量的横向联邦学习激励机制。通过设计合理的贡献度量方法，我们建立工人的声誉，其易于下降而难于提升。通过反向拍卖，工人对任务竞价，任务发布者结合声誉与出价选择工人。在预算约束下，中标工人按绩效获得支付。我们证明了我们的机制满足诚实工人的个体理性、预算可行性、真实性与计算效率。
引用
@article{arxiv.2201.02410,
title = {Auction-Based Ex-Post-Payment Incentive Mechanism Design for Horizontal Federated Learning with Reputation and Contribution Measurement},
author = {Jingwen Zhang and Yuezhou Wu and Rong Pan},
journal= {arXiv preprint arXiv:2201.02410},
year = {2022}
}