物尽其用:联邦边缘学习中的全贡献强制
机器学习
2021-10-19 v1
摘要
网络边缘产生的海量数据使移动边缘计算成为支撑实时应用的关键技术,亟需机器学习(ML)技术提供强大的数据处理与分析能力。特别地,联邦边缘学习(FEL)通过保持数据本地用于训练ML模型,在保护数据所有者隐私方面日益突出。现有FEL研究或利用过程中优化,或预先剔除不合格参与者。本文增强FEL中所有边缘设备的协作,以保证ML模型利用所有可用本地数据训练,从而加速学习过程。为此,我们在不完全信息多人FEL博弈下提出集体勒索(CE)策略,证明该策略能有效帮助服务器高效引出所有设备的全部贡献,且无需担心遭受任何经济损失。技术上,我们提出的CE策略将经典勒索策略中对单一对手期望效用比例份额的控制,扩展为对一组玩家的快速同质控制,并进一步呈现出对全体参与者公正这一吸引人的特性。此外,CE策略丰富了博弈论层次,促进了勒索策略更广泛应用。理论分析与实验评估均验证了所提方案的有效性与公平性。
引用
@article{arxiv.2110.08330,
title = {Nothing Wasted: Full Contribution Enforcement in Federated Edge Learning},
author = {Qin Hu and Shengling Wang and Zeihui Xiong and Xiuzhen Cheng},
journal= {arXiv preprint arXiv:2110.08330},
year = {2021}
}