联邦学习
文章平均质量分 77
白速龙王的回眸
一命二运三风水
四积功德五读书
六名七相八敬神
九交贵人十养生
展开
-
激励机制中的经济学和博弈论模型(2)
总体而言,分类如下:博弈论激励:非合作游戏、stackelberg游戏、联盟游戏拍卖激励:盲拍、前向、倒向、双拍、组合拍卖合同理论匹配理论博弈论可以为多参与者交互决策建模,其中一个参与方的决定会潜在影响另一个参与方的。在FL的背景下,参与方可以市MO和DO,我们下面简要介绍一下博弈论的激励机制,然后它们有一些可以很好的奖励FL的参与方。一些术语:==玩家:==决策者,可以选择它的动作,它们会倾向让自己的收益最大化==收益:==表示玩家从游戏中赚或亏的钱==策略:==是一套完整的动作计划,为了到达原创 2022-07-08 16:20:47 · 2394 阅读 · 0 评论 -
关于联邦学习和激励的相关概念(1)
在FL的场景中,参与者可能不情愿参与没有补偿的训练因为这会导致它白白损失资源来训练模型以及承受隐私泄露的风险。同时,激励机制还可以减少信息不对称(server和worker)造成的负面影响。一个优秀的激励机制可能有以下特征:激励可协调、可信:每个worker都可以获得最优的补偿,只要他们诚实地工作;也就是说,他们作恶的话是不会提高收益的个人的合理性:也就是说worker参与FL的收益是非负的账单平衡:对workers的总支付不会大于给定的预算计算有效:在多项式时间内,激励机制可以完成worker的选举和原创 2022-07-04 15:46:27 · 1256 阅读 · 3 评论 -
【激励机制】一种去中心化和中心化的reputation的博弈论自洽激励
先上一幅Swarm Learning 的架构图镇楼我们想干什么?我们希望实现激励的可协调,也就是让每个节点可以可信地分享reputation的信息我们引进可转移支付方案,让节点可信地共享reputation信息我们还通过密码学的方法整合reputation信息目前的一些问题1.如果节点报告reputation信息,别人就会掌握有利的信息,从而对自己不利2.如果反馈真实的正反馈reputation,节点会由于其余节点的average降低自己的reputation,同时也造成了对稀缺资源的更多需.原创 2022-05-30 23:21:25 · 2464 阅读 · 0 评论 -
【引文74 & 引文114】基于区块链的联邦学习的激励机制设计
【引文114】摘要介绍了一个side-payment方案,让大家可信任的分享reputation信息同时利用密码学计数保护reputation的完整性解决开放环境分布所有权的安全问题reputation由过往的行为决定一个agent公布reputation到底好不好?真实的rating不一定有利,作恶的rating可能有利核心问题:如何让理性的agent去发布真实的reputation信息模型考虑边际收益report了必须要有好处才可以个人cheating最优,两人均合作最优没有强原创 2022-05-29 21:06:58 · 2405 阅读 · 0 评论 -
联邦学习(1):初探
为什么要联邦学习不同机构之间不愿意直接将数据明文聚合到一起进行机器学习如果设备和服务器传输的是中间计算结果而不是原始数据,那么通信会极为高效联邦学习可以与什么结合机器学习算法分布式机器学习密码学和安全隐私保护数据挖掘博弈论和经济学激励机制设计法律和监管要求Ai面临的挑战难于获得高质量大数量的training data,形成一座座数据孤岛中心化节点不再适用隐私数据整合有很大阻力将自己的数据公开给别人会削减自身数据的价值什么是联邦学习每一个拥有数据源的组织训练一个模型,之后让各原创 2022-05-24 22:57:09 · 182 阅读 · 0 评论