垂直联邦学习中特征维度即服务的真实高效拍卖机制设计

考虑垂直联邦学习(vertical federated learning,VFL)架构,将特征维度作为资源,进行了拍卖机制的设计。该机制包括一个可信任的第三方中央控制端作为拍卖方,以及若干任务需求者作为竞标方。为了防止竞标者进行欺诈性投标,首先提出了一种基于Vickrey-Clarke-Groves(VCG)机制的最优特征维度即服务(Optimal-FDaa S)机制,并通过整数线性规划确定拍卖的赢家。该机制能够最大化社会效益,但是计算复杂度较高。为了降低计算复杂度,提出了贪心特征维度即服务(Greedy-FDaaS)机制。以上两种机制都能保证3种性质,即真实性、个体理性与效率性。最后,通过仿真分析证明了所提机制的有效性。

面向深度强化学习的鲁棒性增强方法

深度强化学习(Deep Reinforcement Learning, DRL)结合了深度学习的感知能力和强化学习的决策能力,被应用于许多领域.然而,一旦攻击者窃取了DRL数据,就能干扰状态、奖励及动作或环境,从而影响智能体的决策.且已有研究表明DRL模型极易受到恶意攻击,攻击者根据状态及动作空间信息,训练等价模型实现黑盒攻击.为了实现DRL数据隐私保护及模型鲁棒性增强,本文提出一种基于垂直联邦的DRL模型(Vertical Federated based DRL,VF-DRL).VF-DRL搭建多个客户端并保证数据特征不重叠.同时服务器端上传各个客户端输出的隐层特征以保证数据隐私.进一步,本文对比不同基线算法,通过大量实验评估了VF-DRL模型的性能.假设存在一个恶意客户端执行对抗攻击的情况下,使用多种对抗攻击方法验证了VF-DRL模型的鲁棒性.同时在高维及较低维环境中验证VF-DRL模型的鲁棒性,并进一步分析影响其鲁棒性的因素.