联邦学习的激励机制：从经济学与博弈论视角
计算机科学与博弈论
2021-11-24 v1 机器学习
摘要
联邦学习（FL）已变得流行，并在不暴露数据所有者原始数据的情况下训练大规模机器学习（ML）模型方面展现出巨大潜力。在FL中，数据所有者可基于其本地数据训练ML模型，并仅将模型更新而非原始数据发送给模型所有者进行聚合。为了在模型准确率和训练完成时间方面提升学习性能，招募足够的参与者至关重要。同时，数据所有者是理性的，可能因资源消耗而不愿参与协作学习过程。为解决这些问题，近期已有多种工作被提出以激励数据所有者贡献其资源。在本文中，我们对文献中提出的用于设计各种方案以刺激数据所有者参与FL训练过程的经济学与博弈论方法进行了全面综述。具体而言，我们首先介绍FL的基础与背景，以及激励机制设计中常用的经济学理论。然后，我们回顾博弈论与经济方法在FL激励机制设计中的应用。最后，我们强调了有关FL激励机制设计的一些开放问题与未来研究方向。
引用
@article{arxiv.2111.11850,
title = {Incentive Mechanisms for Federated Learning: From Economic and Game Theoretic Perspective},
author = {Xuezhen Tu and Kun Zhu and Nguyen Cong Luong and Dusit Niyato and Yang Zhang and Juan Li},
journal= {arXiv preprint arXiv:2111.11850},
year = {2021}
}
备注
26 pages, 10 figures