多玩家联邦学习：以更少通信实现均衡
机器学习
2025-11-10 v2 最优化与控制
机器学习
摘要
传统联邦学习（FL）方法假设协作客户端、目标一致、致力于构建共享全局模型。然而在许多实际场景中，客户端作为理性玩家，拥有各自的目标和战略行为，这一概念已超出现有 FL 框架的适应能力。为弥合这一差距，我们引入了多玩家联邦学习（MpFL）框架，将 FL 环境中的客户端建模为博弈论语境中的玩家，旨在达成均衡。在此情境下，每个玩家试图优化其自己的效用函数，这可能不与集体目标一致。于是，在 MpFL 框架中，我们提出了 Per-Player Local Stochastic Gradient Descent（PEARL-SGD）算法，每个玩家/客户端独立进行局部更新并定期与其他玩家通信。我们对 PEARL-SGD 进行理论分析，证明在随机设置下，其相较于非局部版本需要更少通信即可达到均衡附近的稳定解。最后，我们通过数值实验验证了我们的理论发现。
引用
@article{arxiv.2501.08263,
title = {Multiplayer Federated Learning: Reaching Equilibrium with Less Communication},
author = {TaeHo Yoon and Sayantan Choudhury and Nicolas Loizou},
journal= {arXiv preprint arXiv:2501.08263},
year = {2025}
}
备注
Accepted at NeurIPS 2025