FMore：一种面向 MEC 中联邦学习的多维拍卖激励机制
机器学习
2021-06-29 v1 计算机科学与博弈论
机器学习
摘要
前景广阔的联邦学习与移动边缘计算（MEC）相结合，被视为 AI 驱动服务供给中最有前景的解决方案之一。大量研究从性能和安全性角度关注联邦学习，却忽视了激励机制。在 MEC 中，边缘节点不愿自愿参与学习，且它们在多维资源供给上存在差异，这两者都可能恶化联邦学习的性能。此外，轻量级方案对 MEC 中的边缘节点具有吸引力。这些特征要求为 MEC 精心设计激励机制。在本文中，我们提出一种具有 K 个中标者的多维采购拍卖激励机制 FMore。我们的方案 FMore 不仅轻量且激励相容，而且以低成本鼓励更多高质量边缘节点参与学习，并最终提升联邦学习的性能。我们还给出了边缘节点的纳什均衡策略的理论结果，并运用期望效用理论为聚合器提供指导。大量仿真与真实世界实验均表明，所提方案能有效减少训练轮数，并大幅提高具有挑战性的 AI 任务的模型精度。
引用
@article{arxiv.2002.09699,
title = {FMore: An Incentive Scheme of Multi-dimensional Auction for Federated Learning in MEC},
author = {Rongfei Zeng and Shixun Zhang and Jiaqi Wang and Xiaowen Chu},
journal= {arXiv preprint arXiv:2002.09699},
year = {2021}
}