MarS-FL：使竞争者能在联邦学习中协作
机器学习
2022-03-11 v2 计算机科学与博弈论
摘要
联邦学习(FL)正迅速普及，使多个数据拥有者（即 FL 参与者）能以隐私保护方式协作训练机器学习模型。一个关键未被解决的场景是这些 FL 参与者处于竞争市场中，其市场份额代表竞争力。尽管他们有意通过 FL 提升各自模型性能，市场领导者（通常是能显著贡献于构建高性能 FL 模型的数据拥有者）希望避免因增强竞争对手模型而失去市场份额。目前尚无建模工具可分析此类场景并支持明智决策。本文通过提出基于市场份额的 FL 参与决策支持框架（MarS-FL）弥补该空白。我们引入 δ-稳定市场 与 友好度 两个概念，以衡量 FL 的可行性与市场对 FL 的接受度。随后可利用博弈论工具预测 FL 参与者行为（即其关于参与 FL 的最优策略）。若市场 δ-稳定性可达成，则各 FL 参与方的最终模型性能提升应有界，这与 FL 应用的市场条件相关。我们给出了紧界并量化了给定市场条件对 FL 的友好度 κ。实验结果显示 FL 在广泛市场条件下的可行性。我们的结果有助于识别竞争者间协作 FL 模型训练可行的市场条件，以及在此类条件下应用 FL 时必须施加的要求。
引用
@article{arxiv.2110.13464,
title = {MarS-FL: Enabling Competitors to Collaborate in Federated Learning},
author = {Xiaohu Wu and Han Yu},
journal= {arXiv preprint arXiv:2110.13464},
year = {2022}
}