一种基于带宽分配的联邦学习激励机制

目录

0 引言

1 系统模型与问题建模

1.1 IMBA系统模型

图1

1.2 通信与计算模型

1.3 数据质量模型

图2

1.4 问题建模

2 Stackelberg博弈与均衡解

2.1 第二阶段：下层子博弈

2.2 第一阶段：上层子博弈

3 实验结果与分析

3.1 实验设置

3.2 实验结果与分析

图3

图4

图5

图6

图7

图8

4 结束语

---

摘要

联邦学习（FL, federated learning）是一种新兴的机器学习范式，它可以充分利用移动众包资源进行去中心化数据训练。然而，在无线网络中部署 FL 面临网络带宽有限、移动用户自私等挑战。为了应对这些挑战，提出了一种基于带宽分配的激励机制（IMBA, incentive mechanism with bandwidth allocation）。IMBA考虑用户数据质量和计算能力的不同设计支付方案，以激励高数据质量用户贡献其计算资源，进而提升模型训练精度。通过最小化训练时间和支付成本权重和确定最佳支付与带宽分配方案，通过优化带宽分配降低训练时延。实验表明， IMBA能够有效提高训练精度，降低训练时间，并帮助服务器灵活权衡训练时间和支付报酬。

关键词： 联邦学习 ; 激励机制 ; 带宽分配 ; Stackelberg博弈 ; 训练质量

0 引言

信息技术的飞速发展推动了智能设备的广泛部署