面向局部差分隐私联邦学习的战略激励机制
机器学习
2025-08-12 v1 计算机科学与博弈论
摘要
在联邦学习（Federated Learning, FL）中，多个客户端通过共享梯度信息（而非原始数据）与服务器协同训练机器学习模型。为防止即便仅共享梯度也可能导致的信息泄露，常采用局部差分隐私（Local Differential Privacy, LDP）技术。LDP 通过在客户端将梯度添加一定量的噪声后再发送给服务器来实现隐私保护。尽管如此，噪声添加会导致全局模型准确率下降。本文将这种隐私-准确率权衡建模为一种博弈：服务器通过激励客户端添加更少噪声以实现更高准确率，而客户端则尝试在准确率潜在损失的代价下保护自身隐私。引入基于代币的激励机制：在每次 FL 轮次中，客户端获得的代币数量取决于其梯度扰动程度。客户端需获取足够代币才能访问更新后的全局模型，而这些代币将从其账户中扣除。我们识别了博弈中的玩家、其行动及其收益，并对该博弈进行了战略分析。开展了大量实验以研究不同参数的影响。
引用
@article{arxiv.2508.07138,
title = {Strategic Incentivization for Locally Differentially Private Federated Learning},
author = {Yashwant Krishna Pagoti and Arunesh Sinha and Shamik Sural},
journal= {arXiv preprint arXiv:2508.07138},
year = {2025}
}