质量感知激励算法

降本53%并提精度

一种针对AIGC数据增强联邦学习的激励机制，解决数据异构下的客户端参与难题。

Guangjing, Huang · Wu, Qiong · Jingyi, Li · Xu, Chen

IEEE Transactions on Mobile Computing 2024

参数信息

服务器成本降低最多

53.34 %

技术优势

高训练精度

通过数据质量感知的激励设计，引导高质量客户端参与，从而在真实数据集上实现比现有基准更高的训练准确率。

数据质量评估

提出AIGC生成数据样本的质量评估方法，为激励设计提供依据，并分析混合真实与合成数据训练时的收敛性能。

应用场景

• 联邦学习：在保护数据隐私前提下激励客户端参与并提升全局模型精度。
• 激励机制设计：针对参与成本和信息不对称设计最优激励以最小化服务器成本。
• 移动边缘计算：在资源受限的边缘环境中通过激励促进高质量客户端协作训练。
• AIGC数据增强：利用AIGC合成数据扩充客户端数据集，缓解数据异构问题。