具有战略参与下性能保证的激励感知联邦平均
机器学习
2026-05-19 v2 最优化与控制
摘要
联邦学习（FL）是一种通信高效的协作学习框架，能够在多个拥有私有本地数据集的智能体之间进行模型训练。虽然FL在提高全局模型性能方面的益处已得到充分证实，但个体智能体可能采取战略性行为，平衡学习收益与贡献本地数据的成本。出于对能够成功留住参与智能体的FL框架的需求，我们提出了一种激励感知的联邦平均方法，在每个通信轮次中，客户端向服务器传输其本地模型参数和更新的训练数据集大小。数据集大小通过一种寻求纳什均衡（NE）的更新规则动态调整，该规则捕捉战略性的数据参与。我们在凸和非凸全局目标设置下分析了所提方法，并为由此产生的激励感知FL算法建立了性能保证。此外，在仅单调博弈设置下，我们考虑了一个福利损失最小化框架，并建立了该方案的渐近收敛性。在MNIST和CIFAR-10数据集上的数值实验表明，智能体在收敛到稳定的数据参与策略的同时，实现了具有竞争力的全局模型性能。
引用
@article{arxiv.2603.20873,
title = {Incentive-Aware Federated Averaging with Performance Guarantees under Strategic Participation},
author = {Fateme Maleki and Krishnan Raghavan and Farzad Yousefian},
journal= {arXiv preprint arXiv:2603.20873},
year = {2026}
}