面向众包数据标注联邦学习的真实激励机理

联邦学习（FL）已成为一种有前景的范式，它以分布式方式在客户端设备上训练机器学习（ML）模型，而无需将客户端数据传输至 FL 服务器。在 ML 的许多应用中，训练数据的标签需要由人工代理手动生成。在本文中，我们研究带有众包数据标注的 FL，其中 FL 每个参与客户端的本地数据由该客户端手动标注。我们考虑客户端的策略性行为，他们可能在本地数据标注和本地模型计算中不尽所需努力，并可能向 FL 服务器误报其本地模型。我们将训练损失的性能界限刻画为客户端数据标注努力、本地计算努力和所报告本地模型的函数。我们设计了真实激励机理，激励策略性客户端付出真实努力并向服务器报告真实本地模型。该真实设计利用了训练损失对客户端努力和本地模型的非平凡依赖关系。在真实机理下，我们刻画了服务器的最优本地计算努力分配。我们通过实验评估了所提出的带众包数据标注的 FL 算法及激励机理。