Diseño de un Mecanismo de Incentivos Jerárquico para el Aprendizaje Automático Federado en Redes Móviles

En los últimos años, las capacidades mejoradas de detección y computación de los dispositivos del Internet de las Cosas (IoT) han abierto las puertas a varias aplicaciones de crowdsensing móvil. En el crowdsensing móvil, un propietario de modelo anuncia una tarea de detección tras la cual los trabajadores interesados recopilan los datos requeridos. Sin embargo, en algunos casos, un propietario de modelo puede tener muestras de datos insuficientes para construir un modelo de aprendizaje automático efectivo. Con este fin, proponemos un enfoque basado en el aprendizaje federado (FL) que preserva la privacidad para facilitar el aprendizaje automático colaborativo entre varios propietarios de modelos en el crowdsensing móvil. Nuestro modelo de sistema permite el aprendizaje automático colaborativo sin comprometer la privacidad de los datos, dado que solo se intercambian los parámetros del modelo en lugar de los datos sin procesar dentro de la federación. Sin embargo, existen dos desafíos principales de desajustes de incentivos entre los trabajadores y los propietarios de los modelos, así como entre los propietarios de los modelos. Para el primero, aprovechamos el mecanismo de auto-revelación en la teoría de contratos bajo asimetría de información. Para el segundo, para garantizar la estabilidad de una federación evitando ataques de aprovechamiento, utilizamos el enfoque de teoría de juegos cooperativos que recompensa a los propietarios de modelos en función de sus contribuciones marginales. Considerando la estructura jerárquica inherente de las entidades involucradas, proponemos un marco de mecanismo de incentivos jerárquico. Usando la inducción hacia atrás, primero resolvemos la formulación del contrato y luego procedemos a resolver el juego cooperativo con el algoritmo de fusión y división. Los resultados numéricos validan la eficiencia de rendimiento del diseño de nuestro mecanismo de incentivos jerárquico propuesto, en términos de compatibilidad de incentivos de nuestro diseño de contrato y pagos justos para los propietarios de modelos en la formación de una federación estable.