FAIR: Qualitätbewusste föderierte Lernens mit präziser Benutzeranreizung und Modellsaggregation

Föderiertes Lernen ermöglicht verteiltes Lernen auf datenschutzgeschützte Weise, aber zwei herausfordernde Gründe können die Lernleistung erheblich beeinträchtigen. Erstens sind mobile Benutzer nicht bereit, am Lernen teilzunehmen, aufgrund von Rechenleistung und Energieverbrauch. Zweitens kann die Qualität der Modellaktualisierungen mobiler Geräte aufgrund verschiedener Faktoren (z. B. Größe/Qualität der Trainingsdaten) erheblich variieren; die inklusive Aggregation von qualitativ minderwertigen Modellaktualisierungen kann die globale Modellqualität verschlechtern. In diesem Papier schlagen wir ein neuartiges System namens FAIR vor, d.h. Föderiertes Lernen mit Qualitätsbewusstsein. FAIR integriert drei Hauptkomponenten: 1) Schätzung der Lernqualität: Wir nutzen historische Lernaufzeichnungen, um die Lernqualität der Benutzer zu schätzen, wobei die Frische der Aufzeichnungen berücksichtigt wird und die exponentielle Vergessensfunktion für die Gewichtung verwendet wird; 2) qualitätsbewusstes Anreizmechanismus: Innerhalb des Rekrutierungsbudgets modellieren wir ein umgekehrtes Auktionsproblem, um die Teilnahme hochwertiger Lernbenutzer zu fördern, und die Methode wird als wahrhaftig, individuell rational und rechnerisch effizient erwiesen; und 3) Modellsaggregation: Wir entwickeln einen Aggregationsalgorithmus, der die Modellqualität in die Aggregation integriert und nicht ideale Modellaktualisierungen herausfiltert, um das globale Lernmodell weiter zu optimieren. Basierend auf realen Datensätzen und praktischen Lernaufgaben werden umfangreiche Experimente durchgeführt, um die Wirksamkeit von FAIR zu demonstrieren.