Welfare and Fairness Dynamics in Federated Learning: A Client Selection Perspective

要約

連合学習 (FL) は、分散コンピューティング デバイスがデータ サイロ全体で共有学習モデルを共同でトレーニングできるようにする、プライバシーを保護する学習手法です。
既存の FL 作品は、モデルのパフォーマンスを向上させるための高度な FL アルゴリズムの設計に主に焦点を当てています。
ただし、公平性やインセンティブなど、クライアントの経済的考慮事項はまだ十分に調査されていません。
そのような考慮がなければ、自発的なクライアントは興味を失い、連邦を去る可能性があります。
この問題に対処するために、私たちは、質の低いクライアントを排除するためのクライアント選択プロセスと、公正な報酬分配を確保するための送金プロセスを含む、新しいインセンティブ メカニズムを設計しました。
私たちの実験結果は、提案されたインセンティブメカニズムがフェデレーションの期間と公平性を効果的に改善できることを強く示しています。

要約(オリジナル)

Federated learning (FL) is a privacy-preserving learning technique that enables distributed computing devices to train shared learning models across data silos collaboratively. Existing FL works mostly focus on designing advanced FL algorithms to improve the model performance. However, the economic considerations of the clients, such as fairness and incentive, are yet to be fully explored. Without such considerations, self-motivated clients may lose interest and leave the federation. To address this problem, we designed a novel incentive mechanism that involves a client selection process to remove low-quality clients and a money transfer process to ensure a fair reward distribution. Our experimental results strongly demonstrate that the proposed incentive mechanism can effectively improve the duration and fairness of the federation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google