文章研究多服务器、多客户端联邦学习(federated learning,FL)场景中的激励机制,并将任务分配和定价问题建模为多个逆向拍卖问题。根据切比雪夫(Chebyshev)定理对客户端每一轮的本地模型性能进行评估,并进一步利用指数衰减函数评估其本...文章研究多服务器、多客户端联邦学习(federated learning,FL)场景中的激励机制,并将任务分配和定价问题建模为多个逆向拍卖问题。根据切比雪夫(Chebyshev)定理对客户端每一轮的本地模型性能进行评估,并进一步利用指数衰减函数评估其本地模型的总体性能;设计基于本地模型性能的逆向拍卖(local model performance based reverse auction,LPRA)算法解决任务分配和定价问题以激励更多高性能的客户端参与,并从理论上证明LPRA算法满足个体理性、真实性和计算高效性;通过仿真实验验证LPRA算法的有效性。展开更多
文摘文章研究多服务器、多客户端联邦学习(federated learning,FL)场景中的激励机制,并将任务分配和定价问题建模为多个逆向拍卖问题。根据切比雪夫(Chebyshev)定理对客户端每一轮的本地模型性能进行评估,并进一步利用指数衰减函数评估其本地模型的总体性能;设计基于本地模型性能的逆向拍卖(local model performance based reverse auction,LPRA)算法解决任务分配和定价问题以激励更多高性能的客户端参与,并从理论上证明LPRA算法满足个体理性、真实性和计算高效性;通过仿真实验验证LPRA算法的有效性。