买方拍卖市场下的联邦学习激励机制
机器学习
2023-09-12 v1 人工智能
计算机科学与博弈论
摘要
基于拍卖的联邦学习（AFL）实现了自利的数据消费者与数据所有者之间的开放协作。现有 AFL 方法通常假设为卖方市场，即作为卖方的服务客户端被视为稀缺资源，从而作为买方的聚合服务器需要竞争出价。然而，随着技术进步，越来越多具备资质的客户端能够执行联邦学习任务，导致市场由卖方市场转向买方市场。本文转换视角，采用采购拍卖框架，旨在解释买方市场下的定价行为。我们的建模始于完全信息下的基本设定，进而拓展至卖方信息不可完全观测的情形。为筛选具有高可靠性与数据质量的客户端，并防范外部攻击，我们利用了基于区块链的声誉机制。实验结果验证了我们所提方法的有效性。
引用
@article{arxiv.2309.05063,
title = {Federated Learning Incentive Mechanism under Buyers' Auction Market},
author = {Jiaxi Yang and Zihao Guo and Sheng Cao and Cuifang Zhao and Li-Chuan Tsai},
journal= {arXiv preprint arXiv:2309.05063},
year = {2023}
}