多任务的边缘联邦学习:一种融合契约论和匹配博弈的激励机制

联邦学习(Federated Learning,FL)是一种新兴的分布式机器学习范式,它允许移动设备以分散的方式协作训练全局模型,同时保持训练数据在终端上面.然而,由于数千个异构分布式终端设备参与FL任务,所以FL面临的挑战是通信效率问题.为了解决上述问题,基于边缘计算的FL被提出来了,即边缘联邦学习.边缘计算利用终端设备附近的边缘节点执行模型参数的下发和聚合,进而降低通信时间.尽管有上述巨大的好处,多任务的边缘联邦学习的激励机制尚未得到很好的解决.因此,提出了一种融合契约论和匹配博弈的激励机制;然后,基于三个数据集的实验结果验证了该激励机制和匹配算法的有效性.