对于联邦而言,参与方持续地参与到联邦的学习过程是其长期成功的关键所在。参与方加入联邦,构建一个机器学习模型,从而对联邦作出贡献,训练出的模型可以产生收益。联邦可以与参与方们共享部分收益,以此作为激励。这里的研究问题是,如何以情境感知等方式量化每个参与方为联邦带来的收益,从而实现联邦长期的可持续经营。
虽然参与方对数据联邦的贡献是一个重要的考虑因素,但在为联邦学习设计激励机制时,这不是所需要考虑的唯一因素。在一个给定的市场中,一些公司可能已经占据了很大的市场份额,从而可以积累大量的高质量数据。如果要建立高质量的联邦学习模型,这样的公司对于数据联邦来说是非常有价值的。然而,通过参与联邦学习,这种类型的市场领导者可能会无意地帮助到它地竞争者们,因为联邦学习模型将会在所有参与方间共享,从而会给市场领导者们招致潜在的巨大机会成本。因此,任何为联邦学习设计的收益分享方法都应该考虑到参与方加入联邦会产生的代价。
如果参与方付出的代价非常高,联邦带来的收益可能不够一次性补偿这一代价,因此联邦可能要求分期地支付给参与方。这将会进一步导致”利息”支付的问题,因为从本质上来说,参与方们是在将各自的资源(如数据)借给联邦以产生收益。
为了维持数据联邦的长期稳定,并且在以后逐渐吸引更多高质量的参与方加入,需要一种强调公平性,并且适合联邦学习环境的激励机制。在本章中,我们提出了一种模型框架——联邦学习激励方法(FLI),它允许机制设计人员在联邦学习环境中协同地解决上述涉及收益分享的因素。它通过最大化可持续的经营目标,动态地将给定的预算划分给联邦中的各个参与方,同时最小化参与方间的不平等问题。一旦成本得到了完全的补偿,FLI将会继续按照联邦采用的基本收益分享方法向其支付收益。
在本章中,我们回顾了现有的关于收益分享博弈和反向拍卖的研究工作,这些成果可被用于开发联邦学习的激励机制。我们还指出了最近利用这些相关工作某些方面的研究工作所取得的一些进展,它们可以鼓励参与方尽早地向联邦贡献高质量的数据。在这之后,由于现实中的联邦学习商业模型必须在产生利润之前就被建立起来,我们进一步提出了一种能够公平地考虑到激励参与方优先顺序的框架结构,它为人们提供了一种可调节的联邦学习激励机制,可以轻易地调整各种影响因素的权重。
在提出的机制能够运作之前,仍有许多工作要做。其中最具挑战性的任务之一是估计参与方加入联邦的代价成本。虽然可以基于市场调研建立计算模型,但更可行的解决方案仍是基于竞拍的自我主动报告方式。具体来说,联邦可以要求每个参与方去给出贡献数据的回报,然后筛选允许哪个参与方加入联邦。在这种情况下,延迟支付方案可以从估计代价成本的采购竞拍中分离出来。
另一个挑战是如何估计参与方i对联邦做出的贡献。联邦可以运行一个沙盒模拟来估计参与方的贡献对模型性能的影响。一个设计良好的沙盒,还应可以模拟由于参与方的贡献而导致收益的变化。通过这种方式,该机制与计算贡献的方式可以完全解耦。