IP-FL：激励式个性化联邦学习
机器学习
2024-10-14 v4 人工智能
摘要
现有针对传统联邦学习（FL）的激励方案侧重于对单一全局目标的个体贡献，忽视了具有多个簇级模型的聚类个性化以及诸如面向客户端的个性化模型吸引力等非货币激励的细微差别。在本文中，我们首先提出将激励与个性化视为相互关联的挑战，并通过一种促进个性化学习的激励机制加以解决。此外，当前方法依赖聚合器进行客户端聚类，受隐私约束下无法获取客户端机密信息的限制，导致聚类不准确。为克服这一点，我们提出直接的客户端参与，允许客户端基于数据分布和激励驱动的反馈表明其簇成员偏好。我们的方法增强了具有高质量数据的自感知客户端的个性化模型吸引力，从而促使其积极且持续地参与。我们的评估表明，相较于现有 FL 模型（包括处理数据异质性与个性化的模型），在测试准确率（8–45%）、个性化模型吸引力（3–38%）和参与率（31–100%）上均有显著提升。
引用
@article{arxiv.2304.07514,
title = {IP-FL: Incentivized and Personalized Federated Learning},
author = {Ahmad Faraz Khan and Xinran Wang and Qi Le and Zain ul Abdeen and Azal Ahmad Khan and Haider Ali and Ming Jin and Jie Ding and Ali R. Butt and Ali Anwar},
journal= {arXiv preprint arXiv:2304.07514},
year = {2024}
}