admin管理员组

文章数量:1536120

论文水平：SCI-II区——IEEE INTELLIGENT SYSTEMS, VOL. XX, NO. X, 2019

论文核心：在联邦学习中，解决如何量化数据所有者报酬的问题。

提出了联合学习激励器(FLI)。它根据收到的回报和收到回报的等待时间，以上下文感知的方式在联盟中的数据所有者之间动态地划分给定的预算，通过共同最大化集体效用，同时最小化数据所有者之间的不平等。

0. 背景

现有的收益分享技术没有考虑回报和贡献之间暂时的不匹配。

1. 本文贡献

作者提出了一个动态收益分享方案——联邦学习激励器（FLI）。这是一种多项式时间算法，可以通过分期付款计算收益共享的解决方案，以实现数据所有这之间的公平性。它通过共同最大化产生的集体效用，并且最小化数据所有者之间在收益和接收全部收益的等待时间的不平等，来动态划分应支付给数据所有者的预算。一旦数据所有者产生的成本得到补偿，FLI将继续按照联邦学习采用的基本支付方案向数据所有者支付费用。

本文主要贡献如下：

1）模拟并描述了在联邦学习环境下，激励高质量数据所有者参与的问题。

2）提供了一个实时算法来共同三个公平标准：a）contribution fairness，b）regret distribution fairness，c）exception fairness，这对联邦学习很重要；并考虑了联邦和数据所有者的利益。

3）通过理论分析给出了所提出的激励方案的性能界限，证明了FIL能够在限制数据所有者regret的同时产生接近最优的集体效用。

4）与5个现有收益共享方案的广泛实验比较表明，FIL对高质量数据所有者最具吸引力，对低质量数据最不具吸引力，并且实现了最高的预期收入，从而维护了数据联邦的长期健康发展。

本文标签： 笔记论文SustainableIncentiveFederated

版权声明：本文标题：【论文笔记】A Sustainable Incentive Scheme for Federated Learning 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/xitong/1726926452a1090594.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。