以模型为报酬：协作机器学习中的最优契约设计

协作机器学习（CML）通过允许参与者之间分摊成本，为普及先进技术提供了一种有前景的范式。然而，各方之间潜在的寻租行为可能会破坏这种协作。契约理论通过根据贡献奖励参与者不同精度的模型，提供了一种可行的解决方案。然而，与货币补偿不同，使用模型作为奖励带来了独特的挑战，特别是当这些奖励具有随机性且贡献成本是私有信息时。本文形式化了CML中的最优契约问题，并提出了一种变换，将非凸优化问题简化为可通过凸优化算法求解的问题。我们详细分析了当模型作为奖励时最优契约必须满足的性质，并通过数值实验探讨了这些契约驱动的CML方案的潜在收益和福利影响。