[发明专利]基于组合拍卖与议价谈判的联邦学习激励方法

说明书

本发明公开了一种基于组合拍卖与议价谈判的联邦学习激励方法，包括如下步骤：平台发布联邦学习任务并接收用户的投标信息；对每个用户的投标进行估价并确定获胜者；计算获胜者中每个用户采用组合拍卖策略的暂定价格及采用议价谈判策略的议价价格；分别计算获胜者中每个用户采用组合拍卖策略和议价谈判策略所带来的平台利润，其中，计算采用议价谈判策略所带来的平台利润时引入折扣因子；依次比较每个获胜者采用两种策略所带来的平台利润，并选择利润大的策略对应的价格向获胜者支付报酬。该基于组合拍卖与议价谈判的联邦学习激励方法，可有效防止联邦学习平台的收益受损现象发生，不仅可以补偿投标用户，还可以保证整个系统的利润最大化。

技术领域

本发明涉及机器学习技术领域，特别提供了一种基于组合拍卖与议价谈判的联邦学习激励方法。

背景技术

人工智能与移动边缘计算(MEC)的结合被认为是未来机器学习技术发展的一条很有前途的途径。联邦学习作为一种新兴的分布式学习机器，可以充分利用MEC系统中的分布式计算资源，允许移动设备以分散的方式训练全球模型，这样移动用户只需要在每次迭代后向任务发布者发送本地模型更新，而不是直接上传原始数据来完成机器学习任务。谷歌的研究团队在2016年首次提出了这一概念，以解决用户移动设备的输入预测概念。用户首先在自己的移动设备中对模型进行局部训练，然后平台将训练参数集成，发送回每个用户，以此来更新和优化本地模型。通过这种方式，联邦学习能够在保护用户隐私的同时训练模型的各种数据。这种新的机器学习框架已被医疗和金融等不同领域的研究人员广泛采用。

尽管联邦学习带来了好处，但在实践中仍存在许多挑战：

1、现有的研究有一个乐观的假设，即所有移动用户都无条件的贡献其资源，但是模型训练需要浪费资源成本，这在现实世界中并不现实。如果没有经过设计良好的经济补偿机制，自私的移动用户不愿参加联邦学习；

2、在以前的研究中大家更多的关注于移动用户的补偿，忽略了联邦学习平台的收益问题。以现有研究中Vickrey-Clarke-Groves机制(简称VCG机制)为例，VCG机制是通过计算一个投标者参加拍卖给别的投标者带来的损失之和来定价的。简单来说，在VCG机制下，投标者中标后所获得的报酬是其没有参与拍卖时其他投标者所产生的社会总福利，与其参与拍卖时其他投标者产生的社会总福利之差，该机制没有考虑平台的利润。如果平台的利益因为移动用户受到损失，那么他们就可能选择不再继续发布任务，导致双方的合作失败。

3、现有的激励机制中未考虑到参与者的时间成本，不同参与主体在议价谈判阶段的时间成本大小不同，很有可能损害参与主体的利益。

因此，提出一种新型的激励方法，以鼓励用户和平台的参与、有效保护联邦学习平台的利益、确保整个系统的社会福利最大化，成为亟待解决的问题。

发明内容

鉴于此，本发明的目的在于提供一种基于组合拍卖与议价谈判的联邦学习激励方法，以解决上述问题。

本发明提供的技术方案是：基于组合拍卖与议价谈判的联邦学习激励方法，包括如下步骤：

S1：平台向用户发布联邦学习任务并接收用户的投标信息，所述投标信息包括投标报价；

S2：对每个用户的投标b进行估价并依次计算所述估价与对应用户的投标报价的差值，之后，将差值大于0的用户确定为获胜者；

S3：计算获胜者中每个用户采用组合拍卖策略的暂定价格及采用议价谈判策略的议价价格；

S4：分别计算获胜者中每个用户采用组合拍卖策略和议价谈判策略所带来的平台利润，其中，用户采用组合拍卖策略所带来的平台利润等于对其投标的估价与其对应的暂定价格的差值，采用议价谈判策略所带来的平台利润等于对其投标的估价与其对应的议价价格的差值乘以预设的折扣因子，所述折扣因子用来度量因议价谈判导致延迟而对利润产生的折扣；