以参与者为中心的联邦学习中的协作：博弈论视角
人工智能
2022-07-26 v1 分布式、并行与集群计算
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）是一种前景广阔的分布式框架，可在保护用户隐私的同时进行协作式人工智能模型训练。一个引起大量研究关注的引导性组件是设计激励机制以刺激用户在 FL 中的协作。大多数工作采用以中介为中心的方法，帮助中心运营方吸引参与者并进一步获得训练良好的模型。少数工作考虑在参与者之间建立以参与者为中心的协作，以追求为其共同利益服务的 FL 模型，这在激励机制设计上与以中介为中心的 FL 有显著差异。为协调自私且异构的参与者，我们提出了一种新颖的分析框架，用于激励以参与者为中心的 FL 中有效且高效的协作。具体而言，我们分别针对贡献无关 FL（COFL）和贡献感知 FL（CAFL）提出两种新颖的博弈模型，其中后者实现了最小贡献阈值机制。我们进一步分析了 COFL 与 CAFL 博弈的纳什均衡的唯一性与存在性，并设计了高效算法以求得均衡解。大量性能评估表明，COFL 中存在搭便车现象，而通过采用带优化最小阈值的 CAFL 模型可大幅缓解该现象。
引用
@article{arxiv.2207.12030,
title = {Collaboration in Participant-Centric Federated Learning: A Game-Theoretical Perspective},
author = {Guangjing Huang and Xu Chen and Tao Ouyang and Qian Ma and Lin Chen and Junshan Zhang},
journal= {arXiv preprint arXiv:2207.12030},
year = {2022}
}
备注
The paper has been accepted by IEEE Transactions on Mobile Computing