联邦学习FL+激励机制+区块链论文阅读1

Mechanism Design for an incentive aware blockchain enabled federated learning platform

激励感知的区块链FL平台的机制设计

论文资源已免费上传

现有不足：

1）无法监控被分配训练任务的工人的行为，为了使理性工作者正确地工作，需要特殊的硬件/密码，这阻碍了具体实现。

2）将区块链加入FL进行货币激励，但尚未讨论任何严格的奖励政策设计。

本文设计：

在参与者理性行为的情况下实现期望目标。关键思想是为FL引入重复竞争，以便任何理性的员工都能遵守协议并实现利润最大化。

从理论上阐明了基于竞争理论的激励相容性，竞争理论是经济学中基于拍卖的博弈论。

（重复的模型更新竞争：在某一轮中，工人都会选择上一轮工人提交的顶级的k个模型更新，并用它们更新自己的模型。工人的报酬由下一轮工人投票决定。选择实现最佳模型的动机是，他们的模型更新将有更多的机会在下一轮投票中被投票，这意味着将获得更多的奖励。）

系统模型

1 参与者

2系统模型

（1）用户注册，管理员注册参与者，参与者必须提供其以太坊地址（addr），以及注册为请求者获工作者。

（2）任务发布，任何请求者可以通过智能合约发布ML任务。请求者必须指定模型描述，参数以及奖励。

（3）任务加入，发布的任务通过以太坊发送给所有注册工人，每个工人决定是否加入此任务。

（4）任务开始，请求者选择模型更新轮数和工人数量，智能合约随机选择工人（如果加入的工人数量为0或更少，则该任务将自动终止，押金将退还给请求者），请求者不应事先向工人透露训练轮数，但需要在第N轮结束时透露。

（5）模型更新。请求者生成用于安全存储本轮模型更新的密钥，连同上一轮密钥一起发送给工人（用每个工人的公钥逐一加密并），被接收后，每个工人用私钥解密，检索前一轮中的模型，并更新模型，更新的模型通过智能合约提交给区块链。

（6）奖励分配，在模型更新的提交阶段，e轮中的每个工作人员投票给k个模型（一个模型只投一票）。基于累计投票，智能合约按照且奖励工人（没有给出具体分配比例）。在最后一轮中，奖励平均分配给工人。

（7）任务完成，在最后一轮中，奖励平均分配给工人。工人诚实计算的动机会降低。为了避免这种情况，请求者需要在N轮结束后显示，让最后的工人必须不知道他们是否在最后一轮。

3 改进点

具体的分配比例

最佳轮数如何设置