面向双边不完全信息下的在线联邦学习动态贝叶斯说服定价——DaringFed
计算机科学与博弈论
2025-05-12 v1 机器学习
机器学习
摘要
在线联邦学习 (OFL) 是一种顺序执行参数聚合的实时学习范式，以应对每个随机到达的客户端。为了激励客户端参与 OFL，重要的是提供适当的激励来抵消训练资源消耗。然而，OFL 的激励机制设计受到双边不完全信息 (TII) 动态可变性的约束，服务器不了解客户端动态变化的计算资源，而客户端也缺乏服务器分配的实时通信资源的了解。为通过为每个到达的客户端提供动态奖励来激励客户端参与训练，我们在 TII 下设计了一种 novel 的动态贝叶斯说服定价用于在线联邦学习 (DaringFed)。具体而言，我们首先将服务器与客户端的交互形式化为动态信号和定价分配问题 within a Bayesian 说服游戏中，然后演示了 unique 的贝叶斯说服纳什均衡的存在。通过推导 DaringFed 在单边不完全信息下的最优设计，我们进一步分析了在 TII 下具有特定界限的 approximate 最优设计。最后，在真实数据集上进行的广泛评估表明，DaringFed 通过 16.99% 优化了准确度和收敛速度，而在合成数据集的实验则验证了对未知值的估计收敛，以及 DaringFed 在提高服务器效用方面最高可提升 12.6%。
引用
@article{arxiv.2505.05842,
title = {DaringFed: A Dynamic Bayesian Persuasion Pricing for Online Federated Learning under Two-sided Incomplete Information},
author = {Yun Xin and Jianfeng Lu and Shuqin Cao and Gang Li and Haozhao Wang and Guanghui Wen},
journal= {arXiv preprint arXiv:2505.05842},
year = {2025}
}