基于在线双边拍卖的分层联邦学习激励机制

• 作者: 杜辉 李卓 陈昕
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 分层联邦学习 能耗最小化 在线双边拍卖 最优停止理论 激励机制设计
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 新兴分布式计算技术与系统|Novel Distributed Computing Technology and System
• 页码范围: 23-30
• 页数: 8页
• 分类号: TP393
• 语种: 中文
• DOI: 10.11896/jsjkx.210800051

摘要

在分层联邦学习中,能量受限的移动设备参与模型训练会消耗自身资源.为了降低移动设备的能耗,文中在不超过分层联邦学习的最大容忍时间下,提出了移动设备能耗之和最小化问题.不同训练轮次的边缘服务器能够选择不同的移动设备,移动设备也能够为不同的边缘服务器并发训练模型,因此文中基于在线双边拍卖机制提出了ODAM-DS算法.基于最优停止理论,支持边缘服务器在合适的时刻选择移动设备,使得移动设备的平均能耗最小,然后对提出的在线双边拍卖机制进行理论分析,证明其满足激励相容性、个体理性、弱预算均衡约束等特性.模拟实验的结果证明,ODAM-DS算法产生的能耗比已有的HFEL算法平均降低了19.04％.