计算机应用研究

作者：达吾列·金恩斯别克,王轶,周喜,王晓博,

单位：1.中国科学院新疆理化技术研究所,乌鲁木齐830011；2.中国科学院大学,北京100049；3.新疆民族语音语言信息处理实验室,乌鲁木齐830011；

关键词：联邦学习,激励机制,多智能体强化学习,数据新鲜度,

基金：新疆维吾尔自治区重点研发计划资助项目(2023B01026,2023B01028)；新疆维吾尔自治区“天山英才”资助项目(2022TSYCLJ0035,2023TSYCCX0046,2023TSYCTD0011)；中国科学院青年创新促进会资助项目(2021434)；；

在多轮联邦学习中，训练环境不断变化，基于多智能体强化学习（MARL）的激励机制通过自适应动态调整数据贡献策略，能够更好地适应动态环境。然而，现有基于MARL的激励机制在贡献评估时主要关注数据量，忽视了数据新鲜度，导致贡献评估不全面，限制了整体收益和模型性能。针对这一问题，提出了一种融合数据新鲜度的联邦学习动态激励机制。首先，提出了数据新鲜度度量及收益评估方法，以更全面地衡量数据贡献；其次，采用集中式训练与分布式执行的MARL框架，有效避免了参与方协调性不足的问题，以此最大化整体收益。实验结果表明，在五个不同规模的公开数据集上，所提方法整体收益提升约11.1%~25.0%。对比实验和消融实验结果进一步验证了该方法在不同数据质量条件下评估的公平性和有效性。

来源：2025年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第8期