FedCross：基于演化博弈的跨时序联邦学习
机器学习
2024-12-24 v1 分布式、并行与集群计算
计算机科学与博弈论
摘要
联邦学习 (FL) 通过允许多个客户端在本地进行协作训练来缓解去中心化机器学习中的隐私泄露问题。然而，动态移动网络由于高移动性、间歇性连接和带宽限制，严重阻碍模型更新到云端服务器。虽然已有研究通常通过任务重新分配或预测建模来处理用户移动问题，但频繁的迁移可能导致高通信开销。要克服这一障碍，不仅要处理资源限制问题，还需寻找方法来缓解用户迁移带来的挑战。我们因此提出了跨时序激励框架 FedCross，通过将中断的训练任务迁移到可行的移动设备来确保 FL 任务的连续性。具体而言，FedCross 包含两个 distinct 阶段。在阶段 1，我们通过多目标迁移算法来量化最优任务接收方，同时采用演化博弈理论来捕捉用户的动态决策，预测用户在不同区域的比例演化，以缓解频繁迁移。在阶段 2，我们利用采购拍卖机制在基站之间分配奖励，确保提供高质量模型的基站获得最优报酬。该方法激励持续的用户参与，从而确保 FedCross 的整体可行性。最终的实验结果验证了 FedCross 的理论严谨性，并证明其显著降低了通信开销。
引用
@article{arxiv.2412.16968,
title = {FedCross: Intertemporal Federated Learning Under Evolutionary Games},
author = {Jianfeng Lu and Ying Zhang and Riheng Jia and Shuqin Cao and Jing Liu and Hao Fu},
journal= {arXiv preprint arXiv:2412.16968},
year = {2024}
}