IMFL-AIGC：人工智能生成内容赋能的联邦学习激励机制设计
机器学习
2024-06-14 v1 人工智能
分布式、并行与集群计算
计算机科学与博弈论
摘要
联邦学习（FL）已成为一种有前景的范式，使客户端能够在不上传本地数据的情况下协作训练共享的全局模型。为缓解客户端间数据质量的异质性，人工智能生成内容（AIGC）可作为新颖的数据合成技术用于提升FL模型性能。然而，由于AIGC赋能的FL会产生各种成本（例如，本地模型计算和数据合成的成本），客户端通常在没有足够经济激励的情况下不愿参与FL，这导致了一个尚未探索的关键问题，即如何实现AIGC赋能的FL。为填补这一空白，我们首先设计了一种针对AIGC生成数据样本的数据质量评估方法，并严格分析了使用真实和AI生成数据样本混合训练的FL模型的收敛性能。然后，我们提出了一种数据质量感知的激励机制以鼓励客户端参与。鉴于客户端私有多维属性导致的信息不对称，我们研究了客户端的行为模式，并推导出服务器在完全信息和不完全信息场景下的最优激励策略，以最小化服务器在模型精度损失和激励支付方面的成本。数值结果表明，与现有的基准机制相比，我们提出的机制在真实世界数据集上实现了最高的训练精度，并最多减少了服务器53.34%的成本。
引用
@article{arxiv.2406.08526,
title = {IMFL-AIGC: Incentive Mechanism Design for Federated Learning Empowered by Artificial Intelligence Generated Content},
author = {Guangjing Huang and Qiong Wu and Jingyi Li and Xu Chen},
journal= {arXiv preprint arXiv:2406.08526},
year = {2024}
}
备注
The paper has been accepted by IEEE Transactions on Mobile Computing