合作即竞争：基于 coopetitive 跨-silo 联邦学习的战略数据生成与激励框架
摘要
在数据敏感领域如医疗保健领域，跨-silo 联邦学习（CFL）允许组织在不共享原始数据的情况下协同训练AI模型。然而，实际的CFL部署具有内在的合作-竞争特性，即在模型训练期间组织合作，而在下游市场中竞争。在此类设置下，训练贡献（包括数据量、质量和多样性）可提高全局模型，却不无意中强化竞争对手。这种困境因非独立同分布（non-IID）数据而进一步放大，导致学习收益不对称，削弱长期参与的动机。虽然已有竞争感知的CFL和激励设计方法基于边际训练贡献对组织进行奖励，但未能考虑强化竞争对手的成本。在本文中，我们引入CoCoGen+（Coopetition-compatible Data Generation and Incentivization），一个兼容合作-竞争的数据生成与激励框架，联合建模非独立同分布数据与组织间竞争，内化基于生成式AI的合成数据生成作为战略决策。具体而言，CoCoGen+将每个训练轮次形式化为加权潜在博弈，组织通过平衡学习性能收益、计算成本和竞争导致的效用损失，战略性地决定生成多少合成数据。我们提供可致命的均衡特征描述，并推导出可实现的生成策略以最大化社会福利。为促进长期合作，我们集成基于收益再分配的激励机制，以补偿组织的贡献和竞争导致的效用降低。在不同学习任务上的实验验证了CoCoGen+的可行性。结果表明，非独立同分布数据、竞争强度和激励如何塑造组织策略和社会福利，而CoCoGen+在效率方面优于基线方法。
引用
@article{arxiv.2604.14886,
title = {Cooperate to Compete: Strategic Data Generation and Incentivization Framework for Coopetitive Cross-Silo Federated Learning},
author = {Thanh Linh Nguyen and Nguyen Van Huynh and Quoc-Viet Pham},
journal= {arXiv preprint arXiv:2604.14886},
year = {2026}
}
备注
Competition-aware Federated Learning, Strategic data generation approaches, A payoff-redistribution based incentive mechanism, Potential game, Social welfare