Fugu-MT 論文翻訳(概要): Hierarchically Fair Federated Learning

論文の概要: Hierarchically Fair Federated Learning

arxiv url: http://arxiv.org/abs/2004.10386v2
Date: Fri, 1 May 2020 11:42:33 GMT
ステータス: 処理完了
システム内更新日: 2022-12-10 17:03:33.658014
Title: Hierarchically Fair Federated Learning
Title（参考訳）: 階層的に公正な学習
Authors: Jingfeng Zhang, Cheng Li, Antonio Robles-Kelly and Mohan Kankanhalli
Abstract要約: 本稿では、経営戦略、すなわち、より多くの貢献がより多くの報酬をもたらすべきである。本稿では,階層的に公正な連合学習(HFFL)フレームワークを提案する。この枠組みの下では、エージェントは事前に交渉された貢献水準に比例して報酬を受ける。
参考スコア（独自算出の注目度）: 12.716368987707892
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When the federated learning is adopted among competitive agents with siloed datasets, agents are self-interested and participate only if they are fairly rewarded. To encourage the application of federated learning, this paper employs a management strategy, i.e., more contributions should lead to more rewards. We propose a novel hierarchically fair federated learning (HFFL) framework. Under this framework, agents are rewarded in proportion to their pre-negotiated contribution levels. HFFL+ extends this to incorporate heterogeneous models. Theoretical analysis and empirical evaluation on several datasets confirm the efficacy of our frameworks in upholding fairness and thus facilitating federated learning in the competitive settings.
Abstract（参考訳）: サイロ化されたデータセットを持つ競合エージェントにフェデレーション学習が採用されると、エージェントは自己関心を持ち、十分な報酬が与えられた場合にのみ参加する。フェデレーション学習の応用を促進するために,本稿では,より多くの貢献がより多くの報酬につながるという管理戦略を採用する。本稿では,階層的に公正な連合学習(HFFL)フレームワークを提案する。この枠組みの下では、エージェントは事前に交渉された貢献水準に比例して報酬を受ける。 HFFL+はこれを拡張して異種モデルを組み込む。いくつかのデータセットに関する理論的分析と経験的評価は、公平性を維持するためのフレームワークの有効性を確認し、競争環境での連合学習を促進する。

関連論文リスト

Multi-Agent Reinforcement Learning from Human Feedback: Data Coverage and Algorithmic Techniques [65.55451717632317]
我々は,MARLHF(Multi-Agent Reinforcement Learning from Human Feedback)について検討し,理論的基礎と実証的検証の両方について検討した。我々は,このタスクを,一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ均衡を識別するものとして定義する。本研究は,MARLHFの多面的アプローチを基礎として,効果的な嗜好に基づくマルチエージェントシステムの実現を目指している。
論文参考訳（メタデータ） (2024-09-01T13:14:41Z)
Redefining Contributions: Shapley-Driven Federated Learning [3.9539878659683363]
フェデレーテッド・ラーニング(FL)は、機械学習において重要なアプローチとして登場した。参加者が平等に、あるいは正直に貢献しない場合、グローバルなモデル収束を保証することは困難です。本稿では,FLにおけるコントリビューションの詳細な評価のために,ShapFedと呼ばれる新しいコントリビューションアセスメントアセスメント手法を提案する。
論文参考訳（メタデータ） (2024-06-01T22:40:31Z)
FedSAC: Dynamic Submodel Allocation for Collaborative Fairness in Federated Learning [46.30755524556465]
協調フェアネスのための動的サブモデルアロケーションを備えた新しいフェデレーション学習フレームワークであるFedSACを提案する。等価性を理論的に保証したサブモデルアロケーションモジュールを開発する。 3つの公開ベンチマークで行った実験は、FedSACが全てのベースライン法を公平性とモデル精度の両方で上回っていることを示している。
論文参考訳（メタデータ） (2024-05-28T15:43:29Z)
Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
論文参考訳（メタデータ） (2023-03-01T06:16:15Z)
Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
論文参考訳（メタデータ） (2022-09-30T17:59:27Z)
Fair Federated Learning via Bounded Group Loss [37.72259706322158]
本稿では,実証的公正なフェデレーション学習のための一般的なフレームワークを提案する。我々は、有界群損失の概念を、群フェアネスに対する理論的に基底的なアプローチとして拡張する。提案手法の収束保証と結果の正当性保証を提供する。
論文参考訳（メタデータ） (2022-03-18T23:11:54Z)
Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
論文参考訳（メタデータ） (2022-01-31T03:15:28Z)
Fault-Tolerant Federated Reinforcement Learning with Theoretical Guarantee [25.555844784263236]
本稿では,ランダムなシステム障害や敵攻撃によるエージェントの半数未満に寛容な,最初のフェデレーション強化学習フレームワークを提案する。すべての理論的結果は、様々なRLベンチマークタスクで実証的に検証される。
論文参考訳（メタデータ） (2021-10-26T23:01:22Z)
A Reputation Mechanism Is All You Need: Collaborative Fairness and Adversarial Robustness in Federated Learning [24.442595192268872]
フェデレーション・ラーニング(FL)は、効果的でスケーラブルな機械学習のための新しい実践的フレームワークである。従来のFLでは、すべての参加者がグローバルモデル(平等報酬)を受け取り、これはハイコントリビューションの参加者にとって不公平かもしれない。評価機構を用いて協調的公正性と対向的ロバスト性を同時に実現するための新しいRFFLフレームワークを提案する。
論文参考訳（メタデータ） (2020-11-20T15:52:45Z)
Practical One-Shot Federated Learning for Cross-Silo Setting [114.76232507580067]
ワンショット・フェデレーション・ラーニングは、クロスサイロ環境でフェデレーション・ラーニングを適用するための有望なアプローチである。本稿では,FedKTという,実践的なワンショットフェデレーション学習アルゴリズムを提案する。知識伝達技術を利用することで、FedKTは任意の分類モデルに適用でき、フレキシブルに差分プライバシー保証を達成できる。
論文参考訳（メタデータ） (2020-10-02T14:09:10Z)
Collaborative Fairness in Federated Learning [24.7378023761443]
深層学習のための新しい協調フェアフェデレーションラーニング(CFFL)フレームワークを提案する。 CFFLは参加者に異なるモデルに収束させ、予測性能を損なうことなく公正を達成する。ベンチマークデータセットの実験では、CFFLは高い公正性を達成し、分散フレームワークに匹敵する精度を提供する。
論文参考訳（メタデータ） (2020-08-27T14:39:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。