联邦学习中用于分布式资源管理的价格歧视博弈
机器学习
2024-04-16 v7 计算机科学与博弈论
摘要
在 FedAvg 等原始联邦学习（FL）中，参数服务器（PS）与多个分布式客户端可构成典型的买方市场，其中 FL 服务的 PS/买方数量远少于客户端/卖方数量。为提升 FL 性能并降低激励客户端参与 FL 的成本，本文提出对不同客户端所提供的服务进行差异化定价，而非简单地对不同的客户端提供相同的服务定价。定价依据其为 FL 带来的性能提升及其在计算与通信能力上的异构性进行区分。为此，我们构建价格歧视博弈（PDG）以综合解决 FL 中的分布式资源管理问题，包括多目标权衡、客户端选择与激励机制。由于 PDG 是一个混合整数非线性规划（MINLP）问题，我们设计了一种低计算复杂度、低通信开销的分布式半启发式算法来求解该问题。仿真结果验证了所提方法的有效性。
引用
@article{arxiv.2308.13838,
title = {Price-Discrimination Game for Distributed Resource Management in Federated Learning},
author = {Han Zhang and Halvin Yang and Guopeng Zhang},
journal= {arXiv preprint arXiv:2308.13838},
year = {2024}
}