pFedGame -- Decentralized Federated Learning using Game Theory in Dynamic Topology
Indian Institute of Technology, Jodhpur（焦特布尔印度理工学院）
针对传统联邦学习的中心化瓶颈、收敛性差等问题，提出基于博弈论的去中心化方法pFedGame，通过节点选择和双人常和合作博弈实现动态网络下的高效聚合，异构数据下准确率超70%。
2024-10-05 cs.CR cs.GT cs.LG
A Coalition Formation Game Approach for Personalized Federated Learning
The Hong Kong Polytechnic University（香港理工大学）；Beijing Institute of Technology（北京理工大学）
面对客户端局部数据分布统计多样性的挑战，个性化联邦学习（PFL）逐渐成为研究热点。尽管基于模型相似性的成对协作方法已经取得了令人满意的性能，但它们忽略了一个事实，即模型聚合本质上是联盟内的协作过程，其中复杂的多方向影响发生在客户端之间。在本文中，我们首先应用Shapley值（SV）从联盟博弈论到PFL的情况。为了衡量一组客户之间的多方面合作对个性化学习绩效的影响，SV将他们对最终结果的边际贡献作为度量。我们提出了一种新的个性化算法：pFedSV，它可以1。确定每个客户的最佳合作者联盟; 2.基于SV进行个性化模型聚合。使用不同的非IID数据设置（病理学和Dirichlet）对各种数据集（MNIST，Fashion-MNIST和CIFAR-10）进行了广泛的实验。结果表明，与最先进的基准测试相比，pFedSV可以为每个客户端实现卓越的个性化准确性。
2022-02-08 cs.AI cs.DC cs.LG
DualGFL: Federated Learning with a Dual-Level Coalition-Auction Game
Louisiana State University（路易斯安那州立大学）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）
针对现有联邦学习博弈论方法无法捕捉参与者复杂动态的问题，提出双层博弈框架 DualGFL，通过下层享乐博弈形成联盟、上层多属性拍卖博弈竞标训练参与，有效提升了服务器与客户效用。
2024-12-20 cs.GT cs.LG
Optimality and Stability in Federated Learning: A Game-theoretic Approach
Cornell University（康奈尔大学）
联邦学习是一种分布式学习范式，其中多个代理，每个代理只能访问本地数据，共同学习全局模型。最近有一个爆炸性的研究，不仅旨在提高联邦学习的准确率，但也提供了一定的保证社会良好的属性，如总错误。这项研究的一个分支采用了博弈论方法，特别是，以前的工作将联邦学习视为一种享乐游戏，其中错误最小化的玩家将自己安排成联合联盟。过去的工作证明了稳定的联盟分区的存在，但留下了广泛的问题，包括这些稳定的解决方案离最优解有多远。在这项工作中，我们激励和定义的概念，最优的平均出错率之间的联盟代理（球员）。首先，我们提供并证明了一个有效的算法来计算最佳（误差最小化）的球员安排的正确性。接下来，我们分析一个安排的稳定性和最优性之间的关系。首先，我们证明了对于参数空间的某些区域，所有稳定的安排都是最优的（无政府代价等于1）。然而，我们发现，这是不正确的所有设置：存在的例子，稳定的安排，成本高于最佳（无政府代价大于1）。最后，给出了稳定性与最优性性能差距的第一个常数因子界，证明了最差稳定解的总误差不超过最优解总误差的9倍（无政府代价界为9）.
2021-06-17 cs.CY cs.DC cs.GT
Multi-Agent Privacy Game in Federated Learning: A Unified Mean-Field View
研究联邦学习中隐私问题，提出将其表述为平均场隐私博弈的方法，每个客户端通过平均场统计量选隐私预算，该框架能产生可处理均衡，适应异构偏好，继承隐私保证，实验表明其实现隐私 - 效用权衡并提供个性化保证。
2026-07-28 cs.AI cs.LG
Federated Learning Games for Reconfigurable Intelligent Surfaces via Causal Representations
Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
针对异构通信环境中的RIS相移配置，提出基于IRM与FL Games的因果表示联邦博弈方法，通过BRD达到纳什均衡，并在OoD环境中提升15%预测准确率。
2023-06-02 cs.LG eess.SP
Design of Two-Level Incentive Mechanisms for Hierarchical Federated Learning
Nanjing University of Science and Technology（南京理工大学）；Hainan University（海南大学）；The Hong Kong Polytechnic University（香港理工大学）；East China Normal University（华东师范大学）；Shanghai Jiao Tong University（上海交通大学）
本文针对分层联邦学习设计两级激励机制，下层通过联盟形成博弈优化边缘关联与带宽分配，上层通过Stackelberg博弈优化边缘聚合次数与单位奖励，实验证明其性能优于基准方案。
2024-01-16 cs.DC cs.GT cs.LG
Trading Data For Learning: Incentive Mechanism For On-Device Federated Learning
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
联邦学习基于在各种设备上分布式训练全局模型的概念。在此设置下，用户的设备对自己的数据执行计算，然后与云服务器共享结果以更新全局模型。这种系统的一个基本问题是有效地激励用户参与。在联邦模型的训练过程中，用户遭受其本地数据的隐私泄露。如果没有精心设计的激励机制，自私的用户将不愿意参与联邦学习任务并贡献他们的私人数据。为了弥补这一差距，本文采用博弈论设计了一种有效的激励机制，选择最有可能提供可靠数据的用户，并补偿他们的隐私泄露成本。我们制定我们的问题作为一个两阶段的Stackelberg游戏，并解决游戏的均衡。所提出的机制的有效性证明了广泛的模拟。
2020-09-11 cs.LG stat.ML
FedCross: Intertemporal Federated Learning Under Evolutionary Games
Wuhan University of Science and Technology（武汉科技大学）；Dalian University of Technology（大连理工大学）；Ministry of Education（教育部）；Zhejiang Normal University（浙江师范大学）
针对动态移动网络中用户频繁迁移导致的高通信开销问题，提出跨期激励框架FedCross，通过多目标迁移算法、演化博弈预测和采购拍卖机制，确保联邦学习任务连续性并显著降低通信开销。
2024-12-22 cs.DC cs.GT cs.LG
Incentive Mechanisms for Federated Learning: From Economic and Game Theoretic Perspective
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；PHENIKAA University（维新大学）；Nanyang Technological University（南洋理工大学）
联邦学习（FL）在训练大规模机器学习（ML）模型而不暴露所有者的原始数据方面表现出巨大的潜力。在FL中，数据所有者可以基于本地数据训练ML模型，并且只将模型更新而不是原始数据发送给模型所有者进行聚合。为了提高模型精度和训练完成时间方面的学习性能，招募足够的参与者至关重要。同时，数据所有者是理性的，可能不愿意参与协作学习过程中，由于资源消耗。为了解决这些问题，最近提出了各种工作，以激励数据所有者贡献他们的资源。在本文中，我们提供了一个全面的审查，在文献中提出的经济和博弈论的方法来设计各种方案，刺激数据所有者参与外语培训过程。特别是，我们首先介绍了FL的基本原理和背景，经济学理论常用的激励机制设计。最后，对物流企业激励机制设计中存在的问题和未来的研究方向进行了展望。
2021-11-20 cs.GT cs.LG
Meta Stackelberg Game: Robust Federated Learning against Adaptive and Mixed Poisoning Attacks
New York University（纽约大学）；Tulane University（杜兰大学）
本文将混合攻击下的对抗联邦学习建模为贝叶斯斯塔克尔伯格马尔可夫博弈，提出结合预训练与在线自适应的元强化学习防御，并证明其收敛性与实验优势。
2024-10-22 cs.CR cs.GT cs.LG
Mitigating Backdoor Attacks in Federated Learning Using PPA and MiniMax Game Theory
Polytechnique Montréal（蒙特利尔综合理工学院）；Institut national de la recherche scientifique (INRS-EMT)（加拿大国家科学研究院（INRS-EMT））；Khalifa University（哈利法大学）；Lebanese American University（黎巴嫩美国大学）
本文提出FedBBA方法，结合声誉系统、激励机制和博弈论模型，通过投影追求分析动态识别并减少恶意客户端对全局模型的影响，实验表明其在多个攻击场景中显著降低后门攻击成功率。
2026-03-30 cs.CR cs.DC cs.GT
Communication-Efficient Massive UAV Online Path Control: Federated Learning Meets Mean-Field Game Theory
University of Oulu（奥卢大学）；Deakin University（迪肯大学）
本文研究了对大量无人机（如无人机）的控制。通过考虑无人机之间的相互作用来控制无人机以形成群的简单方法需要大量的无人机间通信，这在实时应用中是不可能实现的。一种控制方法是应用平均场博弈（MFG）框架，该框架大大减少了UAV之间的通信。然而，要实现这一框架，强大的处理器需要获得在不同的无人机的控制律。这一要求限制了MFG框架在大规模无人机控制等实时应用中的使用。因此，一个基于神经网络（NN）的函数逼近器被用来逼近Hamilton-Jacobi-Bellman（HJB）和Fokker-Planck-Kolmogorov（FPK）方程的解。然而，使用近似解可能违反MFG框架的收敛条件。因此，联邦学习（FL）的方法，可以在无人机上共享神经网络的模型参数，提出了基于神经网络的MFG，以满足所需的条件。神经网络的MFG方法的稳定性分析和拟议FL-MFG的性能阐述了模拟。
2020-08-12 cs.LG cs.NI eess.SP
Price-Discrimination Game for Distributed Resource Management in Federated Learning
School of Computer Science and Technology, China University of Mining and Technology（中国矿业大学计算机科学与技术学院）；Department of Electronic and Electrical Engineering, University College London（伦敦大学学院电子与电气工程系）
针对联邦学习买方市场下的资源管理问题，提出基于客户端贡献与能力异质性的价格歧视博弈模型，设计低复杂度分布式半启发式算法求解，实现性能提升与成本降低。
2024-04-13 cs.GT cs.LG
Nonlinear Equilibrium Transitions in a Potential Game Model for Federated Learning
Institut de Mathématiques de Bourgogne, Université Bourgogne Europe, CNRS（布尔格ogne数学研究所，布尔格ogne欧洲大学，国家科学研究中心）；Chair for Dynamics, Control, Machine Learning and Numerics – Alexander von Humboldt Professorship, Department of Mathematics, Friedrich-Alexander-Universität Erlangen-Nürnberg（动力学、控制、机器学习和数值计算主席职位——亚历山大·冯·洪堡教授职位，数学系，弗里德里希-亚历山大-埃朗根-纽伦堡大学）
提出势博弈框架研究联邦学习中客户理性选择训练努力的行为，发现纳什均衡随奖励因子非线性变化并在临界值处发生非光滑转变，证明了最佳响应算法的收敛性，并通过实验验证了临界奖励因子的有效性。
2026-10-06 cs.LG
A Game-theoretic Framework for Privacy-preserving Federated Learning
Huazhong University of Science and Technology（华中科技大学）；Webank（微众银行）；MSRA（微软亚洲研究院）；Tsinghua University（清华大学）；Hong Kong University of Science and Technology（香港科技大学）
针对联邦学习中的半诚实隐私威胁，提出融合双方收益的FLPG不完全信息博弈及预言机机制，给出攻击者理性选择不攻击的条件。
2024-02-28 cs.AI cs.CR cs.GT
Energy Minimization for Participatory Federated Learning in IoT Analyzed via Game Theory
University of Padova（帕多瓦大学）；Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)（加泰罗尼亚电信技术中心（CTTC/CERCA））
针对物联网中参与式联邦学习，提出基于博弈论的分布式能量最小化方法，理论结合实验验证其有效性，并指出高无政府状态代价需激励机
2025-03-27 cs.GT cs.LG cs.MA
Enabling Long-Term Cooperation in Cross-Silo Federated Learning: A Repeated Game Perspective
Sun Yat-sen University（中山大学）
跨筒仓联邦学习（FL）是一种分布式学习方法，其中具有相同兴趣的客户端合作训练全局模型，同时保持其本地数据私有。跨筒仓FL流程的成功需要许多客户的积极参与。跨筒仓FL的客户旨在通过自私地选择他们的参与水平来优化他们的长期利益。虽然已经有一些激励客户加入FL的工作，客户的长期自私的参与行为在跨筒仓FL的分析仍然在很大程度上未被探索。在本文中，我们分析了异构客户端的自私的参与行为在跨筒仓FL。具体来说，我们建模的客户端的长期自私的参与行为作为一个无限重复的游戏。对于阶段博弈SPFL，我们得到了唯一的纳什均衡（NE），并提出了一个分布式算法，每个客户端计算其均衡参与策略。我们发现，在NE，客户端最多分为三类：（一）搭便车，（二）一个独特的部分贡献者（如果存在），（三）贡献者。对于客户端之间的长期互动，我们得出了一个合作的策略，客户端，最大限度地减少搭便车的数量，同时增加本地数据量的模型训练。我们发现，强制执行的惩罚策略，这样的合作策略是一个子博弈完美纳什均衡（SPNE）的无限重复的游戏，在此情况下，一些客户谁是搭便车的NE阶段游戏选择（部分）贡献者。我们进一步提出了一种算法来计算最优的SPNE，它最大限度地减少搭便车的数量，同时最大限度地增加模型训练的本地数据量。仿真结果表明，我们推导出的最优SPNE可以有效地减少高达99.3%的搭便车的数量，并增加了高达82.3%的本地数据量模型训练。
2022-01-31 cs.GT cs.LG
Convergence Acceleration in Wireless Federated Learning: A Stackelberg Game Approach
The University of Manchester（曼彻斯特大学）；University of Surrey（萨里大学）；University of California at Davis（加州大学戴维斯分校）
针对无线联邦学习收敛慢的问题，提出 Stackelberg 博弈框架，联合优化全局损失与时延，并设计基于 AoU 的设备选择算法以提升收敛速率和子信道利用率。
2024-06-16 cs.LG
Securing NextG Systems against Poisoning Attacks on Federated Learning: A Game-Theoretic Solution
Virginia Tech（弗吉尼亚理工大学）；National Security Institute（国家安全研究所）；Commonwealth Cyber Initiative（联邦网络计划）
针对下一代通信联邦学习中的投毒攻击，本文提出博弈论主动防御机制，通过准入决策建模攻防交互，并在纳什均衡下量化双方性能界限，以保障系统安全。
2023-12-28 cs.AI cs.CR cs.DC
FEDBUD: Joint Incentive and Privacy Optimization for Resource-Constrained Federated Learning
School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院）
本文提出FEDBUD系统，通过联合考虑数据量和噪声水平对激励策略的影响，解决联邦学习中隐私保护与激励策略设计的难题。
2026-04-12 cs.DC cs.LG
Stackelberg Game Based Performance Optimization in Digital Twin Assisted Federated Learning over NOMA Networks
Western University（西安大略大学）
本文针对NOMA网络中联邦学习的滞后节点和恶意攻击问题，提出数字孪生辅助框架及基于信誉的客户端选择方案，并通过Stackelberg博弈联合优化能耗和时延，仿真验证了方案优越性。
2025-01-03 cs.CR cs.GT cs.LG
Efficient Core-selecting Incentive Mechanism for Data Sharing in Federated Learning
Northwestern Polytechnical University（西北工业大学）；China Electronics Technology Group Corporation（中国电子科技集团公司）
针对联邦学习中如实贡献数据与稳定协作的激励问题，提出基于合作博弈核心、松弛优化和采样联盟近似的高效核心选择机制，降低计算开销并验证其激励效果。
2023-09-26 cs.GT cs.LG
Stable and Budget-Feasible Coalition Formation for Clustered Federated Learning: A Hedonic Potential-Game Approach
Cognifinity（科格尼芬蒂）
该研究针对集群联邦学习的联盟形成问题，提出享乐势博弈方法，设计可转移剩余模型与分配规则，保证稳定划分与预算可行，在CIFAR-10实验中实现福利最优且性能可靠。
2026-07-30 cs.GT cs.LG
Free-Rider Games for Federated Learning with Selfish Clients in NextG Wireless Networks
Virginia Tech（弗吉尼亚理工大学）；National Security Institute（国家安全研究所）
提出了联邦学习（FL）中参与和搭便车的博弈论框架，并确定了FL在无线链路上执行时的纳什均衡策略。为了支持NextG通信的频谱感测，FL被客户端（即具有有限训练数据集和计算资源的频谱传感器）用来训练无线信号分类器，同时保护隐私。在FL中，客户端可能是搭便车，即，如果FL参与的计算和传输成本高，则它不参与FL模型更新，并且接收全局模型（由其他客户机学习）而不产生成本。然而，搭便车行为可能会降低全局精度，由于缺乏对全局模型学习的贡献。这种权衡导致了一个非合作的游戏，每个客户端的目标是单独最大限度地提高其效用之间的差异，全球模型的准确性和FL参与的成本。纳什均衡策略是针对搭便车的概率推导出来的，这样，在对手的策略保持不变的情况下，没有一个客户可以单方面增加其效用。搭便车的概率增加的FL参与成本和客户端的数量，和一个显着的最优性差距存在于纳什均衡关于所有客户端的联合优化。最优性间隙随着客户端的数量而增加，并且最大间隙被评估为成本的函数。这些结果量化了搭便车对NextG网络中FL弹性的影响，并指出了FL参与的操作模式。
2022-12-21 cs.AI cs.GT cs.LG
Incentive Allocation in Vertical Federated Learning Based on Bankruptcy Problem
Maastricht University（马斯特里赫特大学）
本文针对纵向联邦学习中被动方激励分配问题，将其建模为破产博弈并采用Talmudic分配规则得到核仁解，在合成与真实数据集上验证了该方法相比Shapley值计算更高效且能保证公平性与稳定性。
2025-02-10 cs.DC cs.GT cs.LG
Incentive-Based Federated Learning: Architectural Elements and Future Directions
本文探讨联邦学习中的参与困境，提出基于经济学、博弈论、区块链和深度强化学习的激励机制设计，并给出中心化与去中心化架构分类及工业应用，强调激励机制是联邦学习成功的关键。
2025-10-17 cs.DC cs.LG
Incentivizing High-quality Participation From Federated Learning Agents
University of California, Santa Cruz（加州大学圣克鲁兹分校）；The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州））
针对联邦学习中智能体因缺乏激励而低质量参与的问题，提出考虑数据异质性的激励感知框架，利用Wasserstein距离和同伴预测机制设计评分函数，并通过Stackelberg博弈模型验证有效性。
2025-06-20 cs.AI cs.DC cs.LG
PAGE: Equilibrate Personalization and Generalization in Federated Learning
Xidian University（西安电子科技大学）；Singapore University of Technology and Design（新加坡科技设计大学）；University of Guelph（圭尔夫大学）
本文提出基于博弈论的联邦学习算法PAGE，将联邦学习重塑为客户端与服务器的合作竞争博弈，并利用强化学习求解均衡，同时提升全局与本地预测精度，在四个数据集上分别最高提升35.20%和39.91%。
2023-10-13 cs.LG
Meta-Computing Enhanced Federated Learning in IIoT: Satisfaction-Aware Incentive Scheme via DRL-Based Stackelberg Game
Guangxi University Key Laboratory of Intelligent Networking and Scenario System (School of Information and Communication, Guilin University of Electronic Technology)（广西智能网络与场景系统重点实验室（信息与通信学院，桂林电子科技大学））；National Engineering Laboratory for Comprehensive Transportation Big Data Application Technology (Guangxi)（综合交通运输大数据应用技术国家工程实验室（广西））；School of Automation, Guangdong University of Technology（自动化学院，广东工业大学）；Guangxi Key Laboratory of Multimedia Communications and Network Technology, Nanning（广西多媒体通信与网络技术重点实验室，南宁）；School of Computer and Electronic Information, Guangxi University（计算机与电子信息学院，广西大学）；College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
本文提出一种基于DRL的Stackelberg博弈的满足感知激励方案，通过优化IIoT中模型质量和训练延迟的平衡，提升联邦学习的效用和应用性。
2025-12-09 cs.AI cs.GT cs.LG
Incentive Mechanism Design for Joint Resource Allocation in Blockchain-based Federated Learning
Indiana University-Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；Bowling Green State University（鲍灵格林州立大学）；Shandong University（山东大学）
基于区块链的联邦学习（BCFL）最近因其去中心化和原始数据的隐私保护等优点而受到极大关注。然而，一直很少有研究集中在BCFL的客户资源分配。在BCFL框架中，FL客户端和区块链矿工是相同的设备，客户端将训练好的模型更新广播到区块链网络，然后执行挖掘以生成新的区块。由于每个客户端具有有限的计算资源，因此需要仔细解决将计算资源分配到训练和挖掘中的问题。在本文中，我们设计了一个激励机制，分配给每个客户端适当的奖励的训练和挖掘，然后客户端将确定的计算能力分配给每个子任务的基础上，这些奖励使用两阶段Stackelberg游戏。在分析模型所有者（MO）的效用之后（即，BCFL任务发布者）和客户端的博弈模型，将博弈模型转化为两个优化问题，依次求解，得到MO和客户端的最优策略。此外，考虑到每个客户端的本地培训相关信息可能不被其他人知道的事实，我们扩展了具有不完全信息场景的解析解的博弈模型。大量的实验结果证明了我们提出的方案的有效性。
2022-02-18 cs.CR cs.GT cs.LG
Federated Learning for Privacy-Preserving Open Innovation Future on Digital Health
Australian Department of Health（澳大利亚卫生部）；University of Technology Sydney（悉尼科技大学）
隐私保护是人工智能领域一个备受关注的伦理问题。联邦学习是一种新的机器学习范式，用于在用户或组织之间学习共享模型，而无需直接存取数据。它有很大的潜力成为下一个通用的AI模型训练框架，提供隐私保护，因此对数字健康和医疗保健信息学的未来具有广泛的影响。在医疗保健行业实施开放式创新框架，即开放式医疗，旨在通过与合作伙伴组织和研究界建立下一代合作框架，提高医疗保健相关组织的创新和创造能力。特别是，这个改变游戏规则的协作框架提供了来自不同数据的知识共享，同时保护了隐私。本章将讨论联邦学习如何在人工智能的支持下实现开放的健康生态系统的发展。将讨论联邦学习的现有挑战和解决方案。
2021-08-24 cs.AI cs.CR cs.DC
Learning-Based Client Selection for Federated Learning Services Over Wireless Networks with Constrained Monetary Budgets
Xiamen University（厦门大学）；Western University（韦仕敦大学）
我们研究了无线网络中多个联邦学习（FL）服务的数据质量感知的动态客户端选择问题，每个客户端提供动态数据集用于同时训练多个FL服务，每个FL服务需求者必须在有限的货币预算下为客户端支付费用。该问题被形式化为一个非合作马尔可夫博弈的训练轮。提出了一种基于多智能体混合深度强化学习的算法，在避免动作冲突的同时，优化联合客户选择和支付动作。仿真结果表明，我们提出的算法可以显着提高训练性能。
2022-12-26 cs.AI cs.LG
A Coopetitive-Compatible Data Generation Framework for Cross-silo Federated Learning
School of Computer Science and Statistics（计算机科学与统计学学院）
本文提出CoCoGen框架，结合生成式AI与潜在博弈论，解决跨组织联邦学习中统计异质性和经济竞争对协作学习的影响，实验显示其在Fashion-MNIST数据集上优于基线方法。
2025-09-10 cs.AI cs.CE cs.DC
A Comprehensive Survey of Incentive Mechanism for Federated Learning
Northeastern University（东北大学）；HKUST（香港科技大学）；Hong Kong Baptist University（香港浸会大学）
联邦学习利用参与者提供的各种资源来协作训练全局模型，这可能解决机器学习的数据隐私问题。在这种有希望的范例中，如果在学习过程中没有足够的训练数据和其他资源，性能将恶化。因此，激励更多的参与者通过为联邦学习支付一些费用来贡献他们宝贵的资源是至关重要的。在本文中，我们提出了一个全面的调查联邦成员学习的激励计划。具体来说，我们确定了联邦学习中的激励问题，然后为各种方案提供了一个分类。随后，从主要技术角度对现有的激励机制进行了总结，如Stackelberg博弈、拍卖、契约理论、Shapley值、强化学习、区块链等。通过对已有研究成果的回顾和比较，提出了今后的研究方向.
2021-06-27 cs.GT cs.LG
Fair and efficient contribution valuation for vertical federated learning
University of British Columbia（不列颠哥伦比亚大学）；Simon Fraser University（西蒙 Fraser大学）；Huawei Technologies Canada（华为技术加拿大）
本文针对纵向联邦学习中数据源贡献难以公平评估的问题，提出基于Shapley值的VerFedSV指标，在保证公平性的同时实现高效计算，并适配同步与异步算法，实验验证了其公平性、高效性、适应性和有效性。
2025-08-21 cs.LG
CoSIFL: Collaborative Secure and Incentivized Federated Learning with Differential Privacy
Cyberspace Institute of Advanced Technology（网络安全技术研究所）
本文提出 CoSIFL 框架，将主动告警、鲁棒聚合、本地差分隐私与 Stackelberg/Tullock 激励机制结合，证明博弈唯一均衡，并在基准上验证其更鲁棒且成本更低。
2025-09-27 cs.LG
A Crowdsourcing Framework for On-Device Federated Learning
Kyung Hee University（庆熙大学）；The University of Sydney（悉尼大学）；University of Oulu（奥卢大学）
联邦学习（FL）基于以分散的方式训练全局模型的概念。在此设置下，移动设备在上传所需更新以改进全局模型之前对其本地数据执行计算。然而，当参与的客户端实现不协调的计算策略时，困难在于处理通信效率（即，每次迭代的通信次数），同时在聚集期间交换模型参数。因此，FL中的一个关键挑战是用户如何参与构建具有通信效率的高质量全局模型。我们通过制定一个效用最大化问题来解决这个问题，并提出了一个新的众包框架，以利用FL，考虑参数交换过程中的通信效率。首先，我们展示了众包平台和参与客户的独立策略之间的基于激励的互动，以训练一个全球学习模型，每一方都能最大限度地提高自己的利益。我们制定了一个两阶段的Stackelberg游戏来分析这种情况，并找到游戏的均衡。其次，我们正式参与客户端的准入控制计划，以确保本地的准确性。模拟结果表明，我们提出的解决方案的有效性与高达22%的增益在提供的奖励。
2020-02-03 cs.GT cs.LG cs.NI
Strategic Incentivization for Locally Differentially Private Federated Learning
Indian Institute of Technology Kharagpur, India（印度理工学院科丁布尔分校）；Rutgers University, USA（罗格斯大学）
本文将本地差分隐私联邦学习中的隐私与准确性权衡建模为博弈，提出基于代币的激励机制，通过代币扣除控制客户端访问全局模型，激励客户端降低梯度噪声以提升模型准确性。
2025-08-10 cs.GT cs.LG
An Incentive Mechanism for Federated Learning in Wireless Cellular network: An Auction Approach
Kyung Hee University（庆熙大学）；The University of Sydney（悉尼大学）；University of Houston（休斯顿大学）
联邦学习（Federated Learning，FL）是一种分布式学习框架，它能够解决机器学习中的分布式问题，同时又能保证较高的学习性能。然而，这是不切实际的，所有用户将牺牲他们的资源加入FL算法。这促使我们研究FL的激励机制设计。在本文中，我们考虑一个FL系统，涉及一个基站（BS）和多个移动用户。移动用户使用自己的数据来训练本地机器学习模型，然后将训练好的模型发送到BS，BS生成初始模型，收集本地模型并构造全局模型。然后，我们将基站和移动用户之间的激励机制构建为一个拍卖博弈，其中基站是拍卖师，移动用户是卖家。在建议的游戏中，每个移动用户提交其出价根据最小的能源成本，移动用户的经验，在参与FL.为了决定在拍卖中的赢家，最大化社会福利，我们提出了原始-对偶贪婪拍卖机制。该机制可以保证三个经济属性，即真实性，个人理性和效率。最后，数值结果表明，我们所提出的机制的性能有效性。
2020-09-22 cs.GT cs.LG cs.NI
Digital Ethics in Federated Learning
Purdue University（普渡大学）
本文探讨了以人为中心的物联网设备作为联邦学习客户端时引发的数字伦理问题，从客户端与服务器及集中式与去中心化视角分析了博弈动态、公平性、激励和连续性挑战及其解决方案，并展望了未来发展方向。
2023-10-19 cs.CY cs.DC cs.GT
How Can Incentives and Cut Layer Selection Influence Data Contribution in Split Federated Learning?
School of Computing, Gachon University（嘉泉大学计算机学院）；School of Cybersecurity, Korea University（高丽大学网络安全学院）；Princeton University（普林斯顿大学）
针对分割联邦学习中的竞争情境，本文通过Stackelberg博弈建模激励与切层选择对客户端数据贡献的影响，证明均衡存在性并实现双方效用最大化。
2026-09-23 cs.AI cs.GT cs.LG
Federated Fairness Analytics: Quantifying Fairness in Federated Learning
University of Bristol（布里斯托尔大学）
针对联邦学习中公平性定义与量化指标缺失的问题，提出包含四类概念及对应新指标的联邦公平性分析方法，实验验证其可助力从业者获取不同粒度的系统公平性洞察，相关工作已开源。
2024-08-15 cs.AI cs.DC cs.GT
Accelerating Fair Federated Learning: Adaptive Federated Adam
Uppsala University（乌普萨拉大学）
联邦学习是一种分布式和隐私保护的方法，用于从不同方的分散数据协作地训练统计模型。然而，当参与者的数据集不是独立和同分布的（非IID）时，由朴素联邦算法训练的模型可能偏向于某些参与者，并且参与者之间的模型性能是不均匀的。这被称为联邦学习中的公平性问题。在本文中，我们制定公平控制的联邦学习作为一个动态的多目标优化问题，以确保所有参与者的公平性能。为了有效地解决这一问题，本文研究了Adam作为联邦学习服务器优化器的收敛性和偏差，提出了自适应联邦Adam（AdaFedAdam）算法，在减轻偏差的同时加速公平的联邦学习。我们验证了AdaFedAdam的有效性，Pareto最优性和鲁棒性的数值实验，并表明AdaFedAdam优于现有的算法，提供更好的收敛性和公平性的联邦计划。
2023-01-23 cs.DC cs.LG
FedMint: Intelligent Bilateral Client Selection in Federated Learning with Newcomer IoT Devices
Lebanese American University（黎巴嫩美国大学）；Polytechnique Montréal（蒙特利尔理工学院）；Khalifa University（哈利法大学）；Zayed University（扎耶德大学）；New York University（纽约大学）；Mohammad Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
联邦学习（Federated Learning，FL）是一种新的分布式隐私保护学习范式，它支持多个参与者（例如，物联网设备）用于训练机器学习模型。然而，选择将有助于这种合作培训的参与者是非常具有挑战性的。采用随机选择策略会带来很大的问题，因为数据质量以及参与者之间的计算和通信资源存在异质性。虽然在文献中已经提出了几种方法来克服随机选择的问题，这些方法中的大多数遵循单边选择策略。事实上，他们的选择策略只基于联邦服务器端，而忽略了过程中客户机设备的利益。为了克服这个问题，我们在本文FedMint，智能客户端选择方法联邦学习物联网设备上使用博弈论和自举机制。我们的解决方案包括以下设计：（1）用于客户端IoT设备和联合服务器的偏好功能，以允许它们根据诸如准确性和价格之类的若干因素对彼此进行排名，（2）在其设计中考虑双方偏好的智能匹配算法，以及（3）利用多个联合服务器的协作以便为新连接的IoT设备分配初始准确度值的自举技术。根据我们的模拟结果，我们的策略在最大化客户端设备的收入和全球联邦学习模型的准确性方面超过了VanillaFL选择方法。
2022-10-31 cs.CR cs.DC cs.GT
Leveraging Soft Prompts for Privacy Attacks in Federated Prompt Tuning
CISE, University of Florida, FL, USA（佛罗里达大学计算机与信息科学系）；North Carolina State University, NC, USA（北卡罗来纳州立大学）；Washington State University, WA, USA（华盛顿州立大学）；Seoul National University of Science and Technology, South Korea（韩国科学技术大学）
本文提出PromptMIA，一种针对联邦提示微调的隐私攻击方法，揭示了该方法在隐私保护方面的潜在风险。
2026-11-05 cs.CR cs.LG
A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus
Sun Yat-sen University（中山大学）；WeBank Co. Ltd.（微众银行股份有限公司）
联邦学习已被广泛研究并应用于各种场景。在移动计算场景中，联邦学习保护用户不暴露他们的私人数据，同时为各种真实世界的应用程序合作训练全局模型。然而，由于恶意客户端或中心服务器不断攻击全局模型或用户隐私数据，联邦学习的安全性越来越受到质疑。为了解决这些安全问题，我们提出了一种基于区块链的去中心化联邦学习框架，即，基于区块链的联邦学习框架与委员会共识（BFLC）。该框架使用区块链进行全局模型存储和本地模型更新交换。为了使拟议的BFLC，我们还设计了一个创新的委员会共识机制，它可以有效地减少共识计算量，减少恶意攻击。然后，我们讨论了BFLC的可扩展性，包括理论安全性、存储优化和激励措施。最后，我们使用真实世界的数据集进行实验，以验证BFLC框架的有效性。
2020-04-02 cs.DC cs.LG
Upcycling Noise for Federated Unlearning
Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；Georgia State University（佐治亚州立大学）
针对DPFL中现有联邦遗忘方法受噪声影响失效的问题，提出含本地模型撤回、全局噪声校准的FUI方法，结合两阶段Stackelberg博弈推导最优策略，在保证隐私与收敛的同时实现更优性能与效率。
2024-12-07 cs.CR cs.DC cs.LG
FedParking: A Federated Learning based Parking Space Estimation with Parked Vehicle assisted Edge Computing
作为一种分布式学习方法，联邦学习在分布式数据集上训练共享的学习模型，同时保护训练数据的隐私。我们将联邦学习的应用扩展到停车管理，并引入FedParking，其中停车场运营商（PLO）合作训练一个长短期记忆模型，用于停车位估计，而无需交换原始数据。此外，我们还研究了FedParking对停放车辆辅助边缘计算（PVEC）的管理。在PVEC中，不同的PLO通过激励机制招募PV作为边缘计算节点来卸载服务，该激励机制根据FedParking导出的计算需求和停车容量约束来设计。我们制定的PLO和车辆之间的相互作用作为一个多领导多追随者Stackelberg游戏。考虑到车辆的动态到达和随时间变化的停车容量约束，我们提出了一种多智能体深度强化学习方法，以分布式但隐私保护的方式逐渐达到Stackelberg均衡。最后，数值结果证明了我们的计划的有效性和效率。
2021-10-19 cs.AI cs.LG
One for One, or All for All: Equilibria and Optimality of Collaboration in Federated Learning
Toyota Technological Institute at Chicago（芝加哥丰田理工学院）；University of California, Berkeley（加州大学伯克利分校）；Cornell University（康奈尔大学）
近年来，联邦学习已被视为一种在大量学习代理之间实现协作的方法。然而，很少有人知道如何合作协议应考虑代理的激励时，分配个人资源的共同学习，以保持这种合作。受博弈论概念的启发，本文介绍了一个激励感知学习和数据共享的框架，在联邦学习。我们的稳定和无嫉妒的平衡捕获的概念合作的代理有兴趣在满足他们的学习目标，同时保持自己的样本收集负担低的存在。例如，在无嫉妒均衡中，没有代理人希望与任何其他代理人交换他们的采样负担，并且在稳定均衡中，没有代理人希望单方面减少他们的采样负担。除了形式化这个框架，我们的贡献包括表征这种平衡的结构特性，证明它们何时存在，并展示如何计算它们。此外，我们比较的样本复杂性的激励意识的合作与最佳合作时，忽略代理的激励。
2021-03-04 cs.DS cs.GT cs.LG
Incentive-Aware Federated Averaging with Performance Guarantees under Strategic Participation
Department of Industrial and Systems Engineering, Rutgers University（工业与系统工程系，罗格斯大学）；Argonne National Laboratory（阿贡国家实验室）
本文提出一种激励感知联邦平均方法，通过客户端传输模型参数和数据集大小，利用纳什均衡规则动态调整数据集规模，确保在凸和非凸目标下实现性能保证，并在单调博弈下实现福利损失最小化。
2026-05-17 cs.LG math.OC
Degree of Staleness-Aware Data Updating in Federated Learning
School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院）
针对时间敏感联邦学习任务中数据陈旧性与数据量未被同时考虑的问题，提出DUFL激励机制，通过三个控制旋钮协调数据陈旧性与数据量，引入DoS指标量化陈旧性并建模为Stackelberg博弈，实验验证其性能显著。
2025-08-23 cs.AI cs.LG
A Reputation Mechanism Is All You Need: Collaborative Fairness and Adversarial Robustness in Federated Learning
University of Singapore（新加坡大学）；Ant financial（蚂蚁金融）
联邦学习（FL）是一种新兴的实用框架，用于在多个参与者（如最终用户、组织和公司）之间进行有效和可扩展的机器学习。然而，大多数现有的FL或分布式学习框架都没有很好地解决两个重要问题：协作公平性和对抗鲁棒性（例如搭便车者和恶意参与者）。在传统的FL中，所有参与者都获得全局模型（平等奖励），这可能对高贡献的参与者不公平。此外，由于缺乏一个安全机制，搭便车者或恶意advertisers可以游戏的系统访问的全球模型免费或破坏it. In本文中，我们提出了一种新的鲁棒性和公平的联邦学习（RFFL）框架，通过信誉机制，同时实现合作的公平性和对抗性的鲁棒性。RFFL通过经由其上传的梯度（使用向量相似性）检查其贡献来维护每个参与者的声誉，从而识别要移除的非贡献或恶意参与者。我们的方法与众不同，不需要任何辅助/验证数据集。在基准数据集上的大量实验表明，RFFL可以实现高公平性，对不同类型的对手具有很强的鲁棒性，同时实现有竞争力的预测精度。
2021-07-27 cs.LG stat.ML
Proportional Fairness in Federated Learning
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University of Waterloo（滑铁卢大学）
本文提出联邦学习中的比例公平性概念，基于性能相对变化，并设计PropFair算法近似求解，平衡整体与最差10%客户端性能。
2023-05-09 cs.AI cs.LG math.OC
