跨机构联邦学习中的社会福利最大化
计算机科学与博弈论
2022-03-03 v2 分布式、并行与集群计算
摘要
作为联邦学习（FL）的典型设置之一，跨机构联邦学习允许各组织联合训练一个最优机器学习（ML）模型。在这种情况下，某些组织可能试图在不贡献本地训练的情况下获取全局模型，从而降低社会福利。本文首次将跨机构联邦学习中各组织间的交互建模为公共物品博弈，并从理论上证明存在社会困境，即纳什均衡下无法实现最大社会福利。为克服这一社会困境，我们采用多人多行动零行列式（MMZD）策略来最大化社会福利。借助 MMZD，单个组织无需额外成本即可单方面控制社会福利。实验结果验证了 MMZD 策略在最大化社会福利方面的有效性。
引用
@article{arxiv.2202.09044,
title = {Social Welfare Maximization in Cross-Silo Federated Learning},
author = {Jianan Chen and Qin Hu and Honglu Jiang},
journal= {arXiv preprint arXiv:2202.09044},
year = {2022}
}
备注
Accepted by ICASSP 2022. arXiv admin note: substantial text overlap with arXiv:2202.08362