转自CCF，网址：https://dl.ccf.org.cn/lecture/lectureDetail?id=4841322416883712 摘要：联邦学习通过将机器学习的计算分散到参与各方的数据库上进行加密的分布式计算，从而可以在不影响数据安全或用户隐私的情形下破解数据孤岛壁垒、实现数据共享。在现实的设计中，数据联邦需要提供足够的经济激励以保证联邦的参与者有激励一直保持参与。因此我们提出联邦学习的机制设计这个问题，来探讨数据联邦应该采取的最优组织和奖励结构。我们首先将提出一个研究联邦学习的奖励机制设计的基本框架，包括核心概念以及它们对应的在联邦学习环境下的数学定义。其次，我们将对联邦学习的奖励机制设计问题按照机制的设定和性质进行分类。最后，我们会给出一些基准定理，帮助联邦学习的从业者在不深入了解博弈论的情形下就能按照他们的最优化目标以及现实场景，选择不同种类的奖励机制。