基于多维拍卖与主从博弈的联邦学习激励机制

摘要

为了在复杂的用户成本与有限的基站预算下保证训练用户持续参与整个联邦学习训练过程,提出一种基于多维拍卖与主从博弈模型的联邦学习激励机制。该机制结合用户自身的数据质量、数量及历史声誉等指标,采用多维拍卖法从所有拟参与拍卖的用户中选出排名前K名的用户参与联邦学习训练过程。利用主从博弈法得到基站的最优奖励和训练用户的最佳训练成本,并确定双方博弈的纳什均衡解。仿真结果表明,与固定激励机制及无激励机制相比,在数据独立同分布(Independent Identically Distributed,IID)和非独立同分布(Non-Independent Identically Distributed,Non-IID)情况下,所提机制的准确率与全局训练损失均优于对比机制,能够保证训练用户持续参与整个联邦学习训练过程。