多任务的边缘联邦学习:一种融合契约论和匹配博弈的激励机制

联邦学习（Federated Learning,FL）是一种新兴的分布式机器学习范式，它允许移动设备以分散的方式协作训练全局模型，同时保持训练数据在终端上面。然而，由于数千个异构分布式终端设备参与FL任务，所以FL面临的挑战是通信效率问题。为了解决上述问题，基于边缘计算的FL被提出来了，即边缘联邦学习。边缘计算利用终端设备附近的边缘节点执行模型参数的下发和聚合，进而降低通信时间。尽管有上述巨大的好处，多任务的边缘联邦学习的激励机制尚未得到很好的解决。因此，提出了一种融合契约论和匹配博弈的激励机制；然后，基于三个数据集的实验结果验证了该激励机制和匹配算法的有效性。

Towards Multi-Task Federated Learning in Edge Computing:a Contract-Matching Approach