018 A Gamifified Research Tool for Incentive Mechanism Design in Federated Learning（多人游戏平台 激励机制）

方法：介绍了一种多人游戏平台：允许人类玩家在各种条件下扮演FL参与者的突发行为影响工具。它可以用于引出FL中的人类行为模式，并识别拟议激励方案中的潜在漏洞。在了解了行为模式之后，FedGame反过来可以根据真实的决策模式进一步检验任何给定激励方案的竞争力。

目的： 通过有效和公平的激励计划，激励参与者贡献高质量数据。

结论：第一个在联邦学习情境下研究不同激励机制下参与者的反应的游戏。

通过有效和公平的激励计划，激励参与者贡献高质量数据。——>介绍了一种多人游戏：允许人类玩家在各种条件下扮演FL参与者的突发行为影响工具。它可以用于引出FL中的人类行为模式，并识别拟议激励方案中的潜在漏洞。在了解了行为模式之后，FedGame反过来可以根据真实的决策模式进一步检验任何给定激励方案的竞争力。

---

与我们的联邦设置最密切相关的方法来自利润领域分享游戏。有三类被广泛采用的利润分享方法：

①平均主义（Equal division）：由数据联盟产生的任何效用单位 都被 帮助产生它的数据所有者 分配。

e.g.平等分割方案（Equal division）：可获得的利润分享预算平均分配给所有参与者，在个人利润分享方案下，每个参与者对社区的贡献是用来确定他的利润份额。

②边际收益（Marginal gain）：数据联盟中数据所有者的收益 是 数据所有者加入时 团队获得的效用。

e.g.工会基于博弈的利润分享方案（The Labour Union game-based profit-sharing scheme）：分享的利润是基于参与者对其前任所形成的社区的效用的边际贡献。每个参与者的边际贡献是根据他们加入集体的顺序计算的。

③边际损失（Marginal loss）：数据联盟中数据所有者的收益 是 数据所有者离开时 团队将失去的效用。

e.g.基于Shapley博弈的利润分享方案（The Shapley game-based profit-sharing scheme）：目的是消除参与者加入集体顺序的影响，以便公平地估计他们的边际贡献。平均了每个参与者在加入集体的顺序的所有不同排列下相对于其他参与者的边际贡献。计算一个SV来在数据所有者中分割奖励是昂贵的。

---

系统架构：

系统设置：