无人机辅助网络中面向多种联邦学习服务的拍卖式交易
计算机科学与博弈论
2022-06-14 v1
摘要
联邦学习（FL）是一种前景广阔的分布式机器学习范式，允许智能设备通过提供本地数据集协同训练共享模型。然而，考虑多个共存 FL 服务及不同类型服务提供商的问题鲜有研究。本文研究无人机（UAV）辅助网络中的多 FL 服务交易问题，其中 FL 服务需求方（FLSDs）旨在从可行客户端（智能设备，如智能手机、智能车辆）购买各类数据集，并从 UAV 购买模型聚合服务以满足其需求。我们建立了一个基于拍卖的交易市场，以促进三方交易，即作为买方的 FLSDs、作为数据卖方的分布式客户端群组，以及作为 UAV 卖方的无人机。所提拍卖被形式化为一个 0-1 整数规划问题，旨在通过研究赢者确定与支付规则设计来最大化买方总体收益。具体而言，由于考虑了两类卖方（数据卖方与 UAV 卖方），我们引入了一种融合卖方对与联合竞标的思路，将异质卖方转化为虚拟卖方对。我们分别提出了基于 Vickrey-Clarke-Groves（VCG）与基于单边匹配的机制，前者可获得最优解但计算上难以处理；后者能以低计算复杂度获得接近最优的次优解，尤其在参与者数量庞大时。我们全面分析了两种机制的真值性与个体理性等性质。大量实验结果验证了上述性质，并表明所提机制显著优于代表性方法。
引用
@article{arxiv.2206.05885,
title = {Auction-Promoted Trading for Multiple Federated Learning Services in UAV-Aided Networks},
author = {Zhipeng Cheng and Minghui Liwang and Xiaoyu Xia and Minghui Min and Xianbin Wang and Xiaojiang Du},
journal= {arXiv preprint arXiv:2206.05885},
year = {2022}
}
备注
14 pages,6 figures