基于RRCM框架的联邦学习激励机制

随着社会各界对于数据隐私的不断重视，借助模型传输的联邦学习技术近年来被广泛研究。尽管该技术不断成熟，但激励机制的研究相对较少，成为了制约技术落地的短板。传统联邦学习框架中，中心服务器向参与方分配相同激励会对高贡献者不公，这将导致高贡献者不再提供任务需要的模型。部分激励框架在一定程度上解决了无区别对待的问题，然而其方法缺乏保护措施，所以系统聚合时存在被敌手恶意攻击的风险。在联邦商业化模式中，参与方申请加入系统需要提供成本，然而现有分薪方式没有很好解决激励的分配。针对以上问题，本文提出了RRCM框架，通过设置声誉系统、奖惩措施和成本利息机制实现联邦系统协作公平性。在基准数据集上进行的实验表明，与同类方法相比，本文设计的RRCM框架能实现较高公平性。在使得联邦系统设计合理的同时，RRCM框架又能吸引更多优质参与方加入到联邦系统。