一种基于反向多维拍卖模型的联邦学习激励机制  

作　　者：郭英芸 高博 卢宇平 张煜 熊轲 

机构地区：[1]北京交通大学计算机与信息技术学院,交通数据分析与挖掘北京市重点实验室,智能高速铁路系统前沿科学中心,北京100044 [2]国网能源研究院有限公司,北京102209

出　　处：《新型工业化》2022年第5期236-244,共9页The Journal of New Industrialization

基　　金：国家自然科学基金面上项目“面向临时热点的无线接入网资源分配理论与技术研究”(项目编号:61872028);国家自然科学基金重点项目“面向无人系统的网络协同理论与技术”(项目编号:61732017);中央高校基本科研业务费自由申报项目“无人小蜂窝网络中的联邦学习与资源分配”(项目编号:2021JBM008)。

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 

分 类 号：G250.73[文化科学—图书馆学]