联邦学习的联合服务定价与协作中继通信
密码学与安全
2018-11-30 v1 计算机科学与博弈论
摘要
为了保护数据隐私并得益于移动设备（如强大的中央处理单元（CPU）和新兴的神经处理单元（NPU））的快速发展，移动设备上的协作机器学习（如联邦学习）已被视为具有广阔应用前景的新一代 AI 方法。然而，现有联邦学习平台的学习过程依赖于模型拥有者（如中心云或边缘服务器）与移动设备之间的直接通信来传输模型更新。这种直接通信在移动环境中可能能效低下甚至不可用。本文考虑采用中继网络构建协作通信平台，以支持模型更新的传输与交易。在该系统中，移动设备基于其训练数据生成模型更新，随后通过协作中继网络转发给模型拥有者。模型拥有者享受移动设备提供的学习服务，作为回报，移动设备向模型拥有者收取一定费用。由于使用同一中继节点的移动设备间存在无线传输的耦合干扰，理性的移动设备必须选择其中继节点并决定其传输功率。因此，我们建立了一个 Stackelberg 博弈模型，以研究移动设备之间以及移动设备与模型拥有者之间的交互。借助外点法研究了 Stackelberg 均衡。此外，我们给出了一系列关于该 Stackelberg 博弈均衡的具有洞察力的解析与数值结果。
引用
@article{arxiv.1811.12082,
title = {Joint Service Pricing and Cooperative Relay Communication for Federated Learning},
author = {Shaohan Feng and Dusit Niyato and Ping Wang and Dong In Kim and Ying-Chang Liang},
journal= {arXiv preprint arXiv:1811.12082},
year = {2018}
}