面向动态拓扑的去中心化联邦学习：基于博弈论的 pFedGame 方法
机器学习
2024-10-08 v1 密码学与安全
计算机科学与博弈论
机器学习
摘要
传统联邦学习框架面临多个挑战，包括中央聚合服务器的性能瓶颈、数据偏差、模型收敛不佳以及对模型中毒攻击的暴露，以及对中心化基础设施的信任不足。在本文中，提出一种新颖的基于博弈论的方法，称为 pFedGame，用于去中心化联邦学习，特别适用于时序动态网络。该算法无需聚合服务器，并整合了在时序动态拓扑下进行联邦学习时遇到的梯度消失和收敛性差的问题。解决方案包含联邦学习轮次中的两个连续步骤。首先，选择适合的同伴进行联邦学习协作。其次，执行两个人常数和合作博弈，以应用最优联邦学习聚合策略实现收敛。对 pFedGame 在去中心化联邦学习中与现有方法性能比较的实验结果表明，该方法在异构数据下准确率可超过 70%。
引用
@article{arxiv.2410.04058,
title = {pFedGame -- Decentralized Federated Learning using Game Theory in Dynamic Topology},
author = {Monik Raj Behera and Suchetana Chakraborty},
journal= {arXiv preprint arXiv:2410.04058},
year = {2024}
}