QI-DPFL：具有差分隐私的质量感知与激励增强联邦学习

联邦学习（FL）越来越被认为是一种创新且安全的分布式模型训练范式，旨在协调多个边缘客户端协作训练共享模型，而无需上传其私有数据集。鼓励移动边缘设备积极参与 FL 模型训练过程，同时减轻无线传输过程中的隐私泄露风险，这一挑战迄今为止相对未被探索。在本文中，我们提出了一种名为 QI-DPFL（具有差分隐私的质量感知与激励增强联邦学习）的新方法，以解决上述棘手问题。为了选择具有高质量数据集的客户端，我们首先提出了一种基于 Earth Mover's Distance (EMD) 指标的质量感知客户端选择机制。此外，为了吸引高质量数据贡献者，我们设计了一种激励增强机制，将中央服务器与所选客户端之间的交互构建为两阶段 Stackelberg 博弈，其中中央服务器通过考虑精度损失与分配的总奖励之间的权衡来设计时间相关奖励以最小化其成本，每个选定的客户端决定隐私预算以最大化其效用。推导了 Stackelberg 博弈的纳什均衡，以在每次全局迭代中找到最优解。在不同真实世界数据集上的大量实验结果证明了我们提出的 FL 框架的有效性，实现了隐私保护和激励兼容的目标。