面向分层联邦学习的双层激励机制设计
计算机科学与博弈论
2024-01-17 v2 分布式、并行与集群计算
机器学习
摘要
分层联邦学习（HFL）是一种为多层计算架构量身定制的分布式机器学习范式，支持大量设备模型同时接入。为实现高效的HFL，设计合适的激励机制以确保设备积极参与本地训练至关重要。然而，关于HFL激励机制设计的研究甚少。本文针对具有两层计算结构的HFL设计了双层激励机制，以鼓励各层实体参与HFL训练。在下层博弈中，我们提出一种联盟形成博弈来联合优化边缘关联与带宽分配问题，并通过所提出的偏好规则获得高效的联盟划分，该划分可被证明通过精确势博弈达到稳定。在上层博弈中，我们设计了Stackelberg博弈算法，其不仅确定了边缘服务器的最优边缘聚合次数以最大化其效用，还优化了针对边缘聚合性能提供的单位奖励，以保障云服务器的利益。此外，数值结果表明所提算法优于基准方案。
引用
@article{arxiv.2304.04162,
title = {Design of Two-Level Incentive Mechanisms for Hierarchical Federated Learning},
author = {Shunfeng Chu and Jun Li and Kang Wei and Yuwen Qian and Kunlun Wang and Feng Shu and Wen Chen},
journal= {arXiv preprint arXiv:2304.04162},
year = {2024}
}