基于破产问题的纵向联邦学习激励分配
机器学习
2025-02-11 v3 分布式、并行与集群计算
计算机科学与博弈论
摘要
纵向联邦学习(VFL)是一种利用垂直划分于不同参与方之间的私有数据协作训练机器学习模型的有前景的方法。在理想的 VFL 设定中,主动方(拥有带标签样本特征的参与方)通过与若干被动方(拥有相同样本无标签的附加特征的参与方)以隐私保护方式协作,因其机器学习模型改进而获益。然而,激励被动方参与 VFL 可能具有挑战性。本文中,我们关注主动方基于被动方对 VFL 过程的贡献向其分配激励的问题。我们将该激励分配问题表述为合作博弈论中的破产博弈来解决。利用 Talmudic 分配规则(其解为导向核仁),我们确保激励的公平分配。我们在合成和真实世界数据集上评估了所提方法,表明其在向联邦模型贡献数据的被动方之间确保了激励分配的公平性与稳定性。此外,我们将方法与现有的 Shapley 值计算方案进行比较,表明我们的方法以更少的计算提供了更高效的解决方案。
引用
@article{arxiv.2307.03515,
title = {Incentive Allocation in Vertical Federated Learning Based on Bankruptcy Problem},
author = {Afsana Khan and Marijn ten Thij and Frank Thuijsman and Anna Wilbik},
journal= {arXiv preprint arXiv:2307.03515},
year = {2025}
}