一种基于反向多维拍卖模型的联邦学习激励机制

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。