带预算约束的水平联邦学习在线拍卖激励机理设计
计算机科学与博弈论
2022-05-18 v3 人工智能
摘要
联邦学习使具有数据隔离的所有参与方能够在满足隐私保护的同时协作高效地训练模型。为获得高质量模型，有必要设计激励机理以动员更多具备数据与算力的高质量工作者。现有激励机理应用于离线场景，即任务发布方在任务前收集所有出价并筛选工作者。然而，不同工作者在任务前或任务期间以不同顺序在线到达是实际情形。因此，我们提出了一种基于反向拍卖的带预算约束的水平联邦学习在线激励机理。工作者在在线到达时提交出价。具有有限预算的任务发布方利用已到达工作者的信息来决定是否选择新工作者。理论分析证明，在预算充足时，我们的机理满足预算可行性、计算效率、个体理性、消费者主权、时间真实性与成本真实性。实验结果表明，我们的在线机理高效且能获得高质量模型。
引用
@article{arxiv.2201.09047,
title = {Online Auction-Based Incentive Mechanism Design for Horizontal Federated Learning with Budget Constraint},
author = {Jingwen Zhang and Yuezhou Wu and Rong Pan},
journal= {arXiv preprint arXiv:2201.09047},
year = {2022}
}