基于拍卖的联邦学习中数据消费者的效用最大化竞价策略
机器学习
2023-05-16 v2 人工智能
计算机科学与博弈论
摘要
基于拍卖的联邦学习(AFL)因其能够通过经济手段激励数据所有者加入联邦学习而引起了广泛的研究兴趣。现有工作假设在AFL市场中仅存在一个数据消费者和多个数据所有者(即垄断市场)。因此,数据所有者竞价以加入该数据消费者进行联邦学习。然而,这一假设在实际的AFL市场中并不现实,在实际情况中多个数据消费者可以竞争吸引数据所有者加入各自不同的联邦学习任务。本文通过提出一种首创的联邦学习中数据消费者的效用最大化竞价策略(Fed-Bidder)来弥补这一差距。该策略通过提供能够适应多种形式的获胜函数(每种函数反映不同的市场动态)的效用估计能力,使多个联邦学习数据消费者能够通过AFL有效且高效地竞争数据所有者。基于六个常用基准数据集的大量实验表明,Fed-Bidder相比四种最先进的方法具有显著优势。
引用
@article{arxiv.2305.06784,
title = {Utility-Maximizing Bidding Strategy for Data Consumers in Auction-based Federated Learning},
author = {Xiaoli Tang and Han Yu},
journal= {arXiv preprint arXiv:2305.06784},
year = {2023}
}