典型文献
一种基于带宽分配的联邦学习激励机制
文献摘要：
联邦学习(FL,federated learning)是一种新兴的机器学习范式,它可以充分利用移动众包资源进行去中心化数据训练.然而,在无线网络中部署FL面临网络带宽有限、移动用户自私等挑战.为了应对这些挑战,提出了一种基于带宽分配的激励机制(IMBA,incentive mechanism with bandwidth allocation).IMBA考虑用户数据质量和计算能力的不同设计支付方案,以激励高数据质量用户贡献其计算资源,进而提升模型训练精度.通过最小化训练时间和支付成本权重和确定最佳支付与带宽分配方案,通过优化带宽分配降低训练时延.实验表明,IMBA能够有效提高训练精度,降低训练时间,并帮助服务器灵活权衡训练时间和支付报酬.
文献关键词：
联邦学习;激励机制;带宽分配;Stackelberg博弈;训练质量
中图分类号：
作者姓名：
郭英芸;高博;张志飞;张煜;熊轲
作者机构：
北京交通大学计算机与信息技术学院,北京 100044;北京交通大学高速铁路网络管理教育部工程研究中心,北京 100044;国网能源研究院有限公司,北京 102209
文献出处：
引用格式：
[1]郭英芸;高博;张志飞;张煜;熊轲-.一种基于带宽分配的联邦学习激励机制)[J].物联网学报,2022(04):82-92
A类：
IMBA
B类：
带宽分配,联邦学习,学习激励机制,FL,federated,learning,学习范式,移动众包,去中心化,数据训练,无线网络,网络带宽,移动用户,自私,incentive,mechanism,bandwidth,allocation,用户数据,数据质量,计算能力,支付方,计算资源,模型训练,训练时间,付与,分配方案,时延,提高训练,服务器,报酬,Stackelberg,训练质量
AB值：
0.417458
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
