FedCompetitors：联邦学习中竞争参与者的和谐协作
人工智能
2023-12-19 v1 计算机科学与博弈论
机器学习
摘要
联邦学习 (FL) 为机器学习模型的协作训练提供了一种保护隐私的方法。鉴于潜在的数据异构性，基于数据互补性为每个 FL 参与者 (FL-PT) 选择合适的协作者至关重要。最近的研究已着手解决这一挑战。同样，必须考虑 FL-PT 之间的个体间关系，其中一些 FL-PT 存在竞争关系。尽管 FL 文献已承认此场景的重要性，但建立 FL 生态系统的实用方法仍有待探索。在本文中，我们将平衡理论中的“我敌人的朋友就是我的敌人”这一原则进行了扩展，以确保 FL 生态系统内不存在利益冲突。扩展后的原则及其产生的问题通过图论和整数线性规划进行了公式化。我们提出了一种多项式时间算法来确定每个 FL-PT 的协作者。该解决方案保证了高可扩展性，甚至允许竞争的 FL-PT 在无利益冲突的情况下平滑加入生态系统。所提出的框架共同考虑了竞争和数据异构性。在真实世界数据和合成数据上的大量实验表明，与五种替代方法相比，该方法具有有效性，并能够在 FL-PT 之间建立高效的协作网络。
引用
@article{arxiv.2312.11391,
title = {FedCompetitors: Harmonious Collaboration in Federated Learning with Competing Participants},
author = {Shanli Tan and Hao Cheng and Xiaohu Wu and Han Yu and Tiantian He and Yew-Soon Ong and Chongjun Wang and Xiaofeng Tao},
journal= {arXiv preprint arXiv:2312.11391},
year = {2023}
}
备注
Accepted to AAAI-2024