分层公平联邦学习
机器学习
2020-05-04 v2 人工智能
计算机与社会
机器学习
摘要
当联邦学习在具有孤立数据集的竞争智能体间被采用时，智能体是自私的，仅在其得到公平奖励时才参与。为鼓励联邦学习的应用，本文采用一种管理策略，即更多贡献应带来更多奖励。我们提出一种新颖的分层公平联邦学习 (HFFL) 框架。在此框架下，智能体按其预先协商的贡献水平成比例获得奖励。HFFL+ 对此扩展以纳入异构模型。在多个数据集上的理论分析与经验评估证实了我们的框架在维护公平性从而促成竞争环境下联邦学习方面的有效性。
引用
@article{arxiv.2004.10386,
title = {Hierarchically Fair Federated Learning},
author = {Jingfeng Zhang and Cheng Li and Antonio Robles-Kelly and Mohan Kankanhalli},
journal= {arXiv preprint arXiv:2004.10386},
year = {2020}
}