将隐私视为商品：面向联邦学习的大规模隐私交易的 MFG-RegretNet

联邦学习 (FL) 已成为隐私保护分布式机器学习的热门范式，但仍存在两个根本性挑战阻碍其大规模应用。首先，梯度反转攻击可从上传的模型更新中重构出敏感训练数据，即使原始数据保持本地也存在隐私风险。其次，在缺乏充足经济补偿的情况下，理性客户端几乎没有动机贡献高质量梯度，限制了大规模参与。为此，我们发展了一个隐私交易市场，其中客户将其差分隐私预算作为商品出售并获得隐私牺牲的明确经济补偿。将该市场形式化为隐私拍卖游戏 (PAG)，并在支配策略激活兼容性 (DSIC)、个体理性 (IR) 和预算可行性下建立了贝叶斯纳什均衡的存在性。为克服规模化的高维纳什均衡计算的 NP-hard 难题，引入 \textit{MFG-RegretNet} 作为一种基于深度学习的拍卖机制，结合均值场游戏 (MFG) 近似与可微机制设计。MFG 简化将每轮计算复杂度从 $\mathcal{O}(N^2 \log N)$ 降低到 $\mathcal{O}(N)$，仅产生 $\mathcal{O}(N^{-1/2})$ 的均衡近似间隙。在 MNIST 和 CIFAR-10 上的大量实验表明，MFG-RegretNet 在激活兼容性、拍卖收入和社会福利方面均优于最先进的基线方法，同时保持竞争性的下游联邦学习模型准确率。