一种基于合同理论的可激励联邦学习模型

来源：电子与信息学报杂志2023年第3期北京时间：

作者：王鑫, 李美庆, 王黎明, 余芸, 杨漾, 孙凌云

单位：1.浙江工业大学计算机科学与技术学院 杭州 3100232.西安电子科技大学计算机科学与技术学院 西安 7100713.南方电网数字电网研究院有限公司 广州 5106634.浙江大学南方电网人工智能创新联合研究中心 杭州 3100585.浙江大学计算机科学与技术学院 杭州 310058

摘要：针对目前较少研究去中心化联邦学习中的激励机制设计，且已有联邦学习激励机制较少以全局模型效果为出发点的现状，该文为去中心化联邦学习加入了基于合同理论的联邦学习激励机制，提出一种新的可激励的联邦学习模型。使用区块链与星际文件系统(IPFS)取代传统联邦学习的中央服务器，用于模型参数存储与分发，在此基础上使用一个合同发布者来负责合同的制定和发布，各个联邦学习参与方结合本地数据质量选择签订合同。每轮本地训练结束后合同发布者将对各个本地训练模型进行评估，若满足签订合同时约定的奖励发放条件则发放相应的奖励，同时全局模型的聚合也基于奖励结果进行模型参数的聚合。通过在MNIST数据集以及行业用电量数据集上进行实验验证，相比于传统联邦学习，加入激励机制后的联邦学习训练得到的全局模型效果更优，同时去中心化的结构也提高了联邦学习的鲁棒性。

关键词：联邦学习, 激励机制, 合同理论, 去中心化, 电力大数据

基金资助：国家重点研发计划 (2020YFB0906000, 2020YFB0906004)