FedToken：联邦学习中数据贡献的代币化激励
机器学习
2022-11-04 v2 分布式、并行与集群计算
计算机科学与博弈论
网络与互联网体系结构
摘要
在联邦学习（FL）模型的去中心化训练中，补偿相关成本的激励是客户长期参与的关键刺激因素。然而，由于以下方面的缺失，难以说服客户高质量参与FL：（i）关于客户数据质量与属性的完整信息；（ii）客户数据贡献的价值；以及（iii）货币激励发放的可信机制。这常导致训练与通信效率低下。尽管若干工作聚焦于策略性激励设计与客户选择以克服该问题，但在面向可预见数字经济（包括Web 3.0）且同时满足学习目标的总体设计方面存在重大知识空白。为填补此空白，我们提出一种基于贡献的代币化激励方案，即\texttt{FedToken}，其由区块链技术支持，确保依据模型训练期间数据估值在各客户间公平分配代币。利用所设计的基于Shapley值的方案，我们首先在模型聚合时近似本地模型的贡献，随后策略性调度客户以降低收敛所需通信轮数，并在受限货币预算下锚定可负担代币的分配方式。大量仿真证明了我们所提方法的有效性。
引用
@article{arxiv.2209.09775,
title = {FedToken: Tokenized Incentives for Data Contribution in Federated Learning},
author = {Shashi Raj Pandey and Lam Duc Nguyen and Petar Popovski},
journal= {arXiv preprint arXiv:2209.09775},
year = {2022}
}
备注
Accepted at Workshop on Federated Learning: Recent Advances and New Challenges, in Conjunction with NeurIPS 2022 (FL-NeurIPS'22). 9 Pages, 5 Figures