联邦学习中用于客户端招募的动态定价

尽管联邦学习（FL）很好地保护了客户端的数据隐私，但由于移动设备中的通信成本和能耗，许多客户端仍不愿加入 FL。设计定价补偿以激励足够多的客户端加入 FL 并分布式训练全局模型十分重要。已有的 FL 定价机制是静态的，无法适应客户端随时间随机到达的模式。我们通过构造哈密顿函数，提出了一种闭式的新动态定价方案，在不知晓客户端实际到达或训练成本的情况下，最优地平衡客户端招募时间与模型训练时间。在客户端招募阶段，我们对每次客户端到达提供随时间变化的货币奖励，以在总支付与 FL 模型精度损失之间权衡。当接近招募截止期限或数据老化更严重时，该奖励逐渐增大；若客户端每轮迭代训练时间变短，我们也延长截止期限。进一步，我们扩展考虑训练数据量与每轮迭代训练时间异构的客户端类型。我们成功扩展了动态定价方案，并开发了线性复杂度的最优算法来单调选择 FL 的客户端类型。最后，我们展示了方案对客户端数据量估计误差的鲁棒性，并运行数值实验验证了结论。