面向联邦学习激励的个体设备贡献估计
机器学习
2020-09-22 v1 网络与互联网体系结构
摘要
联邦学习（FL）是一种新兴技术，可在不暴露隐私敏感用户数据的情况下，利用移动设备的数据与计算资源协同训练机器学习模型。激励数据与移动设备所有者参与 FL 的适当激励机制，是构建可持续 FL 平台的关键。然而，在不产生大量计算与通信开销的情况下，难以评估设备/所有者的贡献水平以确定适当奖励。本文提出一种计算与通信高效的参与设备贡献水平估计方法。所提方法可在单次 FL 训练过程中完成此类估计，从而减少流量与计算开销需求。使用 MNIST 数据集的性能评估表明，与朴素估计方法相比，所提方法以少 46–49% 的计算开销与零通信开销准确估计个体参与者贡献。
引用
@article{arxiv.2009.09371,
title = {Estimation of Individual Device Contributions for Incentivizing Federated Learning},
author = {Takayuki Nishio and Ryoichi Shinkuma and Narayan B. Mandayam},
journal= {arXiv preprint arXiv:2009.09371},
year = {2020}
}
备注
Submitted to IEEE Globecom Workshop