激励数据共享中的时间感知公平性

在协作数据共享与机器学习中，多个参与方聚合各自的数据资源以训练性能更优的机器学习模型。然而，由于参与方承担数据收集成本，他们仅在获得公平性和个体理性等激励保证时才愿意这样做。现有框架假设所有参与方同时加入协作，这在许多现实场景中并不成立。由于数据清洗的处理时间较长、克服法律障碍的困难或缺乏认知，参与方可能在不同时间加入协作。在本工作中，我们提出以下视角：较早加入的参与方承担了更高风险并鼓励其他观望参与方的贡献，因此该参与方应因更早共享数据而获得更高价值的奖励。为此，我们提出了一种公平且时间感知的数据共享框架，包括新颖的时间感知激励机制。我们开发了决定奖励值以满足这些激励的新方法。我们进一步说明了如何生成实现奖励值的模型奖励，并在合成和真实数据集上实证展示了我们方法的特性。