基于资源解耦式联邦学习的数据资产化
机器学习
2025-02-12 v2
摘要
随着数字经济的发展，数据越来越被认识为工作和生活中至关重要的资源。然而，由于隐私 concerns，数据所有者倾向于通过信息循环而非直接数据传输来最大化数据价值。联邦学习（FL）提供了一种在保留隐私的同时进行协作训练模型的有效方法。然而，随着模型参数和训练数据的增长，数据所有者之间存在实际的资源差异，同时数据和计算资源之间也存在不匹配。这导致数据所有者、计算中心和模型所有者之间的协作不足，降低了三方的全局效用以及数据资产化的效果。本文首先提出了涉及三方的资源解耦式联邦学习框架。然后，我们设计了三方斯塔克贝尔格模型并理论分析了参与者优化全局效用的斯塔克贝尔-纳什均衡（SNE）。接着，我们提出了质量感知动态资源解耦式联邦学习算法（QD-RDFL），其中我们推导并求解所有方的最优策略以实现SNE，使用反向归纳法。我们还设计了动态优化机制，通过评估数据所有者对全局模型在实际训练期间的贡献来提高最优策略配置。最终，我们的广泛实验表明，我们的方法有效地促进了三方的关联，最大化了全局效用和数据资产的价值。
引用
@article{arxiv.2501.14588,
title = {Data Assetization via Resources-decoupled Federated Learning},
author = {Jianzhe Zhao and Feida Zhu and Lingyan He and Zixin Tang and Mingce Gao and Shiyu Yang and Guibing Guo},
journal= {arXiv preprint arXiv:2501.14588},
year = {2025}
}