跨机构联邦学习的激励机制综述

TP181%TP309; 联邦学习作为一种分布式机器学习,有效地解决了大数据时代的数据共享难题.其中,跨机构联邦学习是机构之间互相合作的一种联邦学习类型.如何在跨机构合作的过程中设计合理的激励机制十分重要.文中从跨机构合作的角度,对现有的跨机构联邦学习的激励机制研究进行了综述.首先介绍跨机构合作过程中的3个基本问题,即高隐私性、数据异质性、公平性,然后分析了以全局模型为中心和以参与者为中心这两种不同的跨机构合作模式下的激励机制设计方法,最后总结了影响跨机构合作稳定发展的几个影响因素,即参与者的数据演变、参与者合作关系变动和参与者的负面行为,并展望了跨机构联邦合作的未来方向....

Full description

Saved in:
Bibliographic Details
Published in计算机科学 Vol. 51; no. 3; pp. 20 - 29
Main Authors 王鑫, 黄伟口, 孙凌云
Format Journal Article
LanguageChinese
Published 浙江大学计算机科学与技术学院 杭州 310058%浙江工业大学计算机科学与技术学院 杭州 310023%浙江大学计算机科学与技术学院 杭州 310058 2024
浙江工业大学计算机科学与技术学院 杭州 310023
Subjects
Cross-silo federated learning
Privacy com-puting
激励机制
Incentive mechanism
跨机构合作
Cross-silo cooperation
Distributed machine learning
分布式机器学习
跨机构联邦学习
隐私计算
Online AccessGet full text
ISSN1002-137X
DOI10.11896/jsjkx.230700194

Cover

More Information
Summary:TP181%TP309; 联邦学习作为一种分布式机器学习,有效地解决了大数据时代的数据共享难题.其中,跨机构联邦学习是机构之间互相合作的一种联邦学习类型.如何在跨机构合作的过程中设计合理的激励机制十分重要.文中从跨机构合作的角度,对现有的跨机构联邦学习的激励机制研究进行了综述.首先介绍跨机构合作过程中的3个基本问题,即高隐私性、数据异质性、公平性,然后分析了以全局模型为中心和以参与者为中心这两种不同的跨机构合作模式下的激励机制设计方法,最后总结了影响跨机构合作稳定发展的几个影响因素,即参与者的数据演变、参与者合作关系变动和参与者的负面行为,并展望了跨机构联邦合作的未来方向.
ISSN:1002-137X
DOI:10.11896/jsjkx.230700194