面向跨设备联邦学习的基于投资组合的激励机制设计
计算机科学与博弈论
2024-07-15 v3
摘要
近年来，设计联邦学习（FL）激励机制受到显著关注。大量现有研究尝试在不同设定下运用多种方法（如博弈论、强化学习）设计解决方案。然而，激励机制设计可能存在显著偏差，因为许多应用中客户端的表现是随机的且难以估计。妥善应对这种随机性正是本研究之动机，因先驱文献未能很好解决该问题。本文聚焦跨设备 FL，并在真实场景下提出一种多层 FL 架构。考虑到客户端情形的不确定性与相关性两种属性，我们提出基于投资组合理论的 FL 激励机制（FL-IMP）。据我们所知，这是投资组合理论在旨在解决 FL 资源分配问题的激励机制设计中的开创性应用。为更准确反映实际 FL 场景，我们引入基于智能体的联邦学习模型（FL-ABM）以模拟自主客户端。FL-ABM 使我们更深入理解影响系统结果的因素。对我们方法的实验评估已广泛验证其相较于基准方法的有效性与优越性能。
引用
@article{arxiv.2305.04081,
title = {Portfolio-Based Incentive Mechanism Design for Cross-Device Federated Learning},
author = {Jiaxi Yang and Sheng Cao and Cuifang Zhao and Weina Niu and Li-Chuan Tsai},
journal= {arXiv preprint arXiv:2305.04081},
year = {2024}
}