一种基于反向多维拍卖模型的联邦学习激励机制

摘要：

与集中式机器学习方式相比,联邦学习(Federated Learning,FL)能在打通数据孤岛的同时兼顾保护数据隐私.为了解决资源受限的联邦学习中用户自私问题,本文提出了一种基于反向多维拍卖的激励机制IMRMA(Incentive Mechanism based on Reverse Multi-dimensional Auction).IMRMA通过建立服务器与用户间的博弈定价模型,引入带宽分配以充分利用有限的网络资源,达到提升训练质量的目标.IMRMA方案能同时保证个体理性、激励相容性和计算高效性.仿真实验表明IMRMA有效地提升了模型学习的精度和效率.

关键词：联邦学习、激励机制、带宽分配、反向多维拍卖

所属期刊栏目：12

分类号：G250.73(图书馆学、图书馆事业)

资助基金：国家自然科学基金;国家自然科学基金;中央高校基本科研业务费自由申报项目

在线出版日期：2022-09-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：236-244