Incentive design for efficient federated learning in mobile networks: a contract theory approach.

论文解读：

背景

开销与隐私两大挑战
移动网络在计算与通信两方面承担着沉重的负担，在缺乏有效的激励机制设计时，则难以吸引感兴趣的移动设备参与联邦学习任务

基于以往的研究假设，在联邦学习中预期所有移动设备都会自动响应邀请主动参与训练过程。然而，在缺乏经过精心设计的补偿机制的情况下，则可能出现一些出于自我利益的行为导致无法参与的情况。

两个信息不对成

任务发布者缺乏用于模型训练的数据资源及其规模

直接影响：任务发布者为其提供的移动设备激励措施将导致较高的运营成本

该论文基于契约理论设计了一种高效的设计方案，适用于模型具有高质量(如高精度)数据的移动设备参与联邦学习。

方法： 将所贡献的资源与相应的报酬建立对应关系，在保证本地数据具有准确性与可靠性的同时，并非只有本地数据能提供较高效率及丰富资源的情况下（这种情况下），发布者可以获得更高回报。（换言之就是说你付出越多所得越多）
每个参与者都会主动挑选所需合同以实现自身利益的最大化。

论文的main contribution

1. 开发了一种科学的激励机制，在信息不对称环境下促进移动设备参与训练。
2. 将本地数据的质量相关参数定义为契约模型的类型。在高精度且可靠的数据来源中拥有者可以获得更高的收益。
3. 通过手写的 datasets 验证所提出机制的优势明显超过现