联邦学习的激励机制：一种假设诱导方法
机器学习
2020-07-22 v1 计算机科学与博弈论
机器学习
摘要
联邦学习提供了一种有前景的范式，可在不损害用户数据隐私的情况下从分布式数据源收集机器学习模型。一个可信联邦学习系统的成功建立于如下假设：去中心化且自利的用户愿意以可信方式参与贡献其本地模型。然而，若无恰当激励，用户可能直接退出贡献循环，或被错误激励去贡献垃圾/虚假信息。本文引入激励联邦学习中本地用户侧机器学习模型真实报告的方法。我们的结果建立在信息诱导文献之上，但聚焦于诱导假设（而非诱导人类预测）的问题。我们提供了一种基于评分规则的框架，在贝叶斯纳什均衡下激励本地假设的真实报告。我们也研究了所提方案的市场实现、准确性以及鲁棒性性质。我们使用 MNIST 和 CIFAR-10 数据集验证了方法的有效性。特别地，我们表明通过报告低质量假设，用户将获得递减的分数（奖励或支付）。
引用
@article{arxiv.2007.10596,
title = {Incentives for Federated Learning: a Hypothesis Elicitation Approach},
author = {Yang Liu and Jiaheng Wei},
journal= {arXiv preprint arXiv:2007.10596},
year = {2020}
}