联邦学习中激励数据共享的机制
计算机科学与博弈论
2022-07-12 v1 计算机与社会
分布式、并行与集群计算
机器学习
理论经济学
摘要
联邦学习通常被认为是一项有益的技术，它允许多个智能体相互协作，提升其模型精度，并解决那些单独处理时数据过于密集或昂贵的问题。然而，在预期其他智能体将共享其数据的情形下，理性智能体可能倾向于从事有害行为，例如搭便车——它们不贡献任何数据却仍享受改进后的模型。本工作中，我们提出一个框架来分析此类理性数据生成器的行为。我们首先展示一个朴素方案如何导致灾难性的搭便车水平，使数据共享的收益被完全侵蚀。随后，利用契约理论的思想，我们引入基于精度塑形的机制，以最大化每个智能体生成的数据量。这些机制被证明可防止搭便车，且无需任何支付机制。
引用
@article{arxiv.2207.04557,
title = {Mechanisms that Incentivize Data Sharing in Federated Learning},
author = {Sai Praneeth Karimireddy and Wenshuo Guo and Michael I. Jordan},
journal= {arXiv preprint arXiv:2207.04557},
year = {2022}
}