联邦学习的联合参与激励和网络定价设计

（原文：Joint Participation Incentive and Network Pricing Design for Federated Learning）

摘要：由于当大量用户通过联邦学习训练大型机器学习模型时，动态变化且通常繁重的通信开销会给网络运营商带来巨大压力。运营商可能会选择动态改变网络价格作为响应，这最终将影响服务器和用户的收益。本文考虑了参与激励（用于鼓励用户对联邦学习的贡献）和网络定价（用于管理网络资源）的联合设计的问题。由于用户的隐私信息异构和多维决策，多阶段博弈第一阶段的优化问题是非凸的。尽管如此，仍能够在参与者的纵向和横向交互结构下，通过对约束、变量和函数的适当变换，分析得出相应的最优契约和定价机制。最后表明垂直结构比水平结构效果要好，因为它避免了服务器和网络运营商之间的利益不一致。

系统模型：

①联邦学习过程：

模型训练分布在i个用户上并由中央服务器协调，模型训练期间用户和服务器之间的通信由移动网络运营商支持。

一个数据为（xa，ya），其中xa为输入，ya为标签。将预测值记为ŷ(xa; w)，预测值和真值标签的预测损失函数fa(w)，如果用户i使用数据大小为Si的局部数据集si来训练模型，则用户i的损失函数为其所有数据的平均预测损失。