DualGFL：基于双层联盟-拍卖博弈的联邦学习
计算机科学与博弈论
2024-12-23 v1 机器学习
摘要
尽管在联邦学习中使用博弈论方法取得了一些有前景的成果，但现有的大多数研究主要在合作或竞争环境中采用单层博弈，未能捕捉实践中参与者之间复杂的动态。为了解决这个问题，我们提出了 DualGFL，一种在合作-竞争环境中具有双层博弈的新型联邦学习框架。DualGFL 包含一个下层享乐博弈（客户机在其中形成联盟）和一个上层多属性拍卖博弈（联盟在其中竞标训练参与权）。在下层 DualGFL 中，我们引入了一个新的拍卖感知效用函数，并提出了一种帕累托最优划分算法，以根据客户机的偏好配置找到帕累托最优划分。在上层 DualGFL 中，我们构建了一个具有资源约束的多属性拍卖博弈，并推导出均衡出价以最大化联盟的获胜概率和利润。提出了一种贪婪算法来最大化中央服务器的效用。在真实世界数据集上的大量实验证明了 DualGFL 在提高服务器效用和客户机效用方面的有效性。
引用
@article{arxiv.2412.15492,
title = {DualGFL: Federated Learning with a Dual-Level Coalition-Auction Game},
author = {Xiaobing Chen and Xiangwei Zhou and Songyang Zhang and Mingxuan Sun},
journal= {arXiv preprint arXiv:2412.15492},
year = {2024}
}
备注
12 pages, 6 figures. Accepted by AAAI25