基于第三方平台的联邦学习鲁棒监督激励机制研究.pdfVIP

摘要

联邦学习因提供新颖的客户端数据共享方式，已被广泛应用于医疗保健、智能

制造和交通运输等领域。在联邦学习中，客户端需保护数据隐私并负担额外的计算

资源，大大降低了客户端参与意愿。激励机制可使联邦学习提供合理的报酬抵消客

户端的资源消耗，提高客户端参与意愿。然而，报酬的增加也吸引了恶意客户端的

加入，影响到联邦学习训练环境的稳定。因此，构建基于第三方平台的监督机制对

所有客户端进行约束，是提高联邦学习训练环境稳定性的一种有效方法。同时，考

虑到联邦学习模型训练过程中存在严重的信息不对称，导致客户端实际数据量和

第三方平台提供的监督信号具有较高的不确定性，严重影响到联邦学习激励机制

的稳定运行。据此，本文引入鲁棒不确定集刻画实际数据量和监督信号的不确定性，

构建基于第三方平台的联邦学习鲁棒监督激励机制。主要内容如下：

第一，基于第三方平台的联邦学习确定监督激励机制。基于委托代理理论，引

入第三方平台监督机制；依据监督信号搭建报酬契约，设计联邦学习确定监督激励

机制模型，并通过仿真算例分析所提联邦学习确定监督激励机制的有效性。

第二，基于第三方平台的联邦学习鲁棒监督激励机制。将鲁棒多面体不确定集

用于刻画实际数据量和监督信号的不确定性，构建联邦学习鲁棒监督激励机制；利

用鲁棒对等模型和强对偶理论转化鲁棒模型为确定性模型，通过仿真算例验证鲁

棒激励机制的稳定性。

第三，基于第三方平台的联邦学习鲁棒监督激励机制演化博弈分析。通过利益

相关者理论构建面向联邦学习鲁棒监督激励机制的演化博弈模型，分析关键参数

对激励机制稳定的影响，并通过仿真算例验证关键参数对鲁棒激励机制稳定性的

影响程度。

第四，联邦学习激励机制设计建议。根据本文所提联邦学习鲁棒监督激励机制

仿真结果可知，监督机制对激励机制稳定性和公平性的具有较大的提升效果。但同

时也会加重成本负担。这需要任务发布者在设计联邦学习激励机制时，应平衡公平

性和效用之间的关系。

关键词：联邦学习激励机制；监督机制；鲁棒优化；演化博弈

Abstract

Federatedlearninghasbeenwidelyusedinhealthcare,intelligentmanufacturing,

transportationandotherfieldsbecauseofitsnovelclientdatasharingmethod.In

federatedlearning,clientsneedtoprotectdataprivacyandbearadditionalcomputing

resources,whichgreatlyreducesthewillingnessofclientstoparticipate.Theincentive

mechanismenablesfederatedlearningtoprovidereasonablecompensationtooffsetthe

resourceconsumptionoftheclientandincreasethewillingnessoftheclienttoparticipate.

However,theincreaseinremunerationhasalsoattractedtheadditionofmaliciousclients,

affectingthestabilityofthefederatedlearningandtrainingenvironment.Therefore,

constructingasupervisionmechanismbasedonathird-partyplatformtoconstrainall

clientsisaneffectivewaytoimprovethestabilityofthefederatedlearningandtraining

environment.Atthesametime,consideringtheseriousinformationasymmetryinthe

t