FLMarket：实现隐私保护的联邦学习预训练数据定价
机器学习
2024-11-19 v1 分布式、并行与集群计算
摘要
联邦学习（Federated Learning, FL）作为主流的隐私保护机器学习范式，为医疗和金融等隐私敏感领域提供了有前景的解决方案。尽管学术界和工业界致力于改进原生 FL，但鲜有工作关注数据定价机制。与直接的训练中/训练后定价技术不同，我们研究了一个更具挑战性的问题：在没有来自学习过程直接信息的情况下进行预训练定价。我们提出了 FLMarket，它将基于拍卖的两阶段定价机制与安全协议相结合，以解决效用-隐私冲突。通过综合实验，我们表明，根据 FLMarket 进行客户端选择，在后续 FL 训练中比 SOTA 方法实现了超过 10% 的准确率提升。此外，与训练中基线相比，它实现了超过 2% 的准确率提升和 3 倍的运行时加速。
引用
@article{arxiv.2411.11713,
title = {FLMarket: Enabling Privacy-preserved Pre-training Data Pricing for Federated Learning},
author = {Zhenyu Wen and Wanglei Feng and Di Wu and Haozhen Hu and Chang Xu and Bin Qian and Zhen Hong and Cong Wang and Shouling Ji},
journal= {arXiv preprint arXiv:2411.11713},
year = {2024}
}