面向基于 AI 的移动应用服务的具有掉队缓解与隐私感知的联邦学习框架
网络与互联网体系结构
2021-11-05 v2 机器学习
摘要
在本工作中，我们提出一种新颖框架，以解决基于联邦学习（FL）的移动应用服务中的掉队与隐私问题，同时考虑移动用户（MUs）/移动应用提供商（MAP）有限的计算/通信资源、隐私成本、MUs 向 MAP 贡献数据时的理性与激励竞争。特别地，MAP 首先基于 MUs 提供的信息/特征确定一组用于 FL 过程的最佳 MUs。为在隐私感知下缓解掉队问题，每个被选 MU 除本地训练过程外，还可加密部分本地数据并上传至 MAP 进行加密训练过程。为此，每个被选 MU 可根据其预期可训练本地数据与隐私保护加密数据向 MAP 提出一份合约。为寻找能在维持整个系统高学习质量的同时最大化 MAP 与所有参与 MUs 效用的优化合约，我们首先利用基于 FL 的多种效用函数构建了一个多委托人单代理人基于合约的问题。这些效用函数考虑了 MUs 的隐私成本、MAP 有限的计算资源，以及 MAP 与 MUs 间的信息不对称。随后，我们将该问题转化为一个等效低复杂度问题，并开发了一种轻量迭代算法以有效求得最优解。使用真实世界数据集的实验表明，与基线方法相比，在隐私成本考量下，我们的框架可加快训练时间达 49%，提升预测精度达 4.6 倍，同时增强网络社会福利（即所有参与实体的总效用）达 114%。
引用
@article{arxiv.2106.09261,
title = {Federated Learning Framework with Straggling Mitigation and Privacy-Awareness for AI-based Mobile Application Services},
author = {Yuris Mulya Saputra and Diep N. Nguyen and Dinh Thai Hoang and Quoc-Viet Pham and Eryk Dutkiewicz and Won-Joo Hwang},
journal= {arXiv preprint arXiv:2106.09261},
year = {2021}
}
备注
18 pages (submitted to an IEEE journal)