面向拍卖式联邦学习的智能体：综述
机器学习
2024-04-23 v1 计算机科学与博弈论
摘要
拍卖式联邦学习（AFL）是联邦学习激励机制设计中一个重要的新兴类别，因为它能够公平且高效地激励高质量数据所有者加入数据消费者（即服务器）的联邦学习训练任务。为了提高AFL对利益相关者（即数据消费者、数据所有者和拍卖者）决策支持效率，基于智能体的技术应运而生。然而，由于该领域的高度跨学科性质以及缺乏提供易理解视角的全面综述，研究人员进入并贡献于该领域面临挑战。本文通过提供首个关于面向AFL的智能体（IA-AFL）文献的综述，填补了这一重要空白。我们提出了一种独特的多层分类法，根据1）所服务的利益相关者、2）所采用的拍卖机制以及3）智能体的目标来组织现有的IA-AFL工作，为读者提供该领域的多视角视图。此外，我们分析了现有方法的局限性，总结了常用的性能评估指标，并讨论了在IA-AFL生态系统中实现有效且高效的面向利益相关者决策支持的有前景的未来方向。
引用
@article{arxiv.2404.13244,
title = {Intelligent Agents for Auction-based Federated Learning: A Survey},
author = {Xiaoli Tang and Han Yu and Xiaoxiao Li and Sarit Kraus},
journal= {arXiv preprint arXiv:2404.13244},
year = {2024}
}