面向联邦学习需求方的先验无关拍卖
机器学习
2021-04-14 v2 计算机科学与博弈论
摘要
联邦学习（FL）是一种允许分布式客户端在不共享其敏感训练数据的情况下学习共享机器学习模型的范式。尽管高度去中心化，FL仍需资源来资助中心协调者或补偿数据集贡献者以激励参与。受先验无关拍卖设计洞见的启发，我们提出一种机制FIPIA（通过先验无关拍卖的联邦激励支付，Federated Incentive Payments via Prior-Independent Auctions），以从自利客户端收集货币贡献。该机制在半诚实信任模型中运行，且即使客户端对接收高质量模型具有异质兴趣、服务器不知晓客户端兴趣水平时仍可行。我们在MNIST、FashionMNIST与CIFAR-10数据集上运行实验，以测试FIPIA下客户端的模型质量及FIPIA的激励属性。
引用
@article{arxiv.2103.14375,
title = {Prior-Independent Auctions for the Demand Side of Federated Learning},
author = {Andreas Haupt and Vaikkunth Mugunthan},
journal= {arXiv preprint arXiv:2103.14375},
year = {2021}
}