联邦学习的联合参与激励与网络定价设计
网络与互联网体系结构
2023-10-02 v1 计算机科学与博弈论
摘要
联邦学习通过向服务器共享用户的本地模型参数（而非原始数据）来保护用户数据隐私。然而，当海量用户通过联邦学习训练大型机器学习模型时，动态变化且通常沉重的通信开销会给网络运营商带来显著压力。运营商可能选择动态调整网络价格以应对，这最终会影响服务器和用户的收益。本文考虑了参与激励（用于鼓励用户对联邦学习的贡献）与网络定价（用于管理网络资源）联合设计这一未被充分探索却重要的问题。由于异构用户的私有信息及多维决策，多阶段博弈第一阶段中的优化问题是非凸的。尽管如此，通过在参与者的纵向与横向交互结构下对约束、变量和函数进行适当变换，我们得以解析地推导出相应的最优契约与定价机制。我们表明纵向结构优于横向结构，因为它避免了服务器与网络运营商之间的利益错位。基于真实数据集的数值结果表明，与最先进的基准相比，我们提出的机制使服务器成本降低高达24.87%。
引用
@article{arxiv.2309.16712,
title = {Joint Participation Incentive and Network Pricing Design for Federated Learning},
author = {Ningning Ding and Lin Gao and Jianwei Huang},
journal= {arXiv preprint arXiv:2309.16712},
year = {2023}
}