策略性联邦学习：在智能电表数据聚类中的应用
机器学习
2024-08-06 v1 计算机科学与博弈论
摘要
联邦学习(FL)涉及多个客户端，它们将各自使用本地数据训练的模型共享给融合中心(FC)。传统的FL可被解释为一种基于估计或失真的方法，忽略了FC和其他客户端对模型信息(MI)的最终使用。在本文中，我们引入了一种新颖的FL框架，其中FC使用MI的聚合版本来做出影响客户端效用函数的决策。客户端无法选择决策，只能使用报告给FC的MI来最大化其效用。根据客户端与FC效用之间的一致性，客户端可能出于个体利益而向模型添加策略性噪声。该通用框架被具体化到聚类场景，其中报告的是带噪声的聚类代表信息。这被应用于用电调度问题。在此背景下，效用不一致的情况例如：客户端希望在电价低时用电，而FC希望用电发生在总功率最低时。我们使用Ausgrid的真实聚合数据进行了说明。我们的数值分析清楚地表明，客户端可以通过向报告给FC的模型添加噪声来提高其效用。相应的结果和源代码可在[引用]下载。
引用
@article{arxiv.2408.02384,
title = {Strategic Federated Learning: Application to Smart Meter Data Clustering},
author = {Hassan Mohamad and Chao Zhang and Samson Lasaulce and Vineeth S Varma and Mérouane Debbah and Mounir Ghogho},
journal= {arXiv preprint arXiv:2408.02384},
year = {2024}
}