論文の概要: Modeling Stakeholder-centric Value Chain of Data to Understand Data
Exchange Ecosystem
- arxiv url: http://arxiv.org/abs/2005.11005v1
- Date: Fri, 22 May 2020 05:04:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 01:42:44.662212
- Title: Modeling Stakeholder-centric Value Chain of Data to Understand Data
Exchange Ecosystem
- Title(参考訳): データ交換エコシステムを理解するためのステークホルダ中心のバリューチェーンのモデリング
- Authors: Teruaki Hayashi and Gensei Ishimura and Yukio Ohsawa
- Abstract要約: 本稿では,データビジネスにおける利害関係者間の関係に着目し,利害関係者中心の価値連鎖(SVC)を記述するモデルを提案する。
SVCモデルは、データ交換エコシステムの構造的特性の分析と理解を可能にする。
- 参考スコア(独自算出の注目度): 0.12891210250935145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, the expectation that new businesses and economic value can
be created by combining/exchanging data from different fields has risen.
However, value creation by data exchange involves not only data, but also
technologies and a variety of stakeholders that are integrated and in
competition with one another. This makes the data exchange ecosystem a
challenging subject to study. In this paper, we propose a model describing the
stakeholder-centric value chain (SVC) of data by focusing on the relationships
among stakeholders in data businesses and discussing creative ways to use them.
The SVC model enables the analysis and understanding of the structural
characteristics of the data exchange ecosystem. We identified stakeholders who
carry potential risk, those who play central roles in the ecosystem, and the
distribution of profit among them using business models collected by the SVC.
- Abstract(参考訳): 近年、異なる分野のデータを組み合わせたり交換したりすることで、新しいビジネスや経済価値が生まれるという期待が高まっている。
しかし、データ交換による価値創造にはデータだけでなく、テクノロジやさまざまな利害関係者が統合され、互いに競合している。
これにより、データ交換エコシステムは研究の課題となる。
本稿では,データビジネスにおける利害関係者間の関係に着目し,データの利害関係者中心の価値連鎖(svc)を記述するモデルを提案する。
SVCモデルは、データ交換エコシステムの構造的特性の分析と理解を可能にする。
リスクを負う利害関係者,エコシステムの中心的役割を担う利害関係者,svcが収集したビジネスモデルを用いて利益の分配を明らかにした。
関連論文リスト
- Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。
FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。
CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文 参考訳(メタデータ) (2023-12-23T03:31:46Z) - Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。
次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。
提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-11-22T22:15:17Z) - Strategic Data Sharing between Competitors [4.8951183832371]
このデータ共有トレードオフを分析するための一般的なフレームワークを紹介します。
経済理論から従来の市場モデルに基づくフレームワークのインスタンス化について検討する。
以上の結果から,市場環境がデータ共有インセンティブに大きく影響していることが示唆された。
論文 参考訳(メタデータ) (2023-05-25T13:34:12Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳(メタデータ) (2022-08-16T20:46:08Z) - A Survey of Data Marketplaces and Their Business Models [0.0]
「データ」は、土地、インフラ、労働、資本と同様に、必要不可欠な生産要素になりつつある。
特定の機能を自動化することから、データ駆動型組織における意思決定を促進することに至るまで、タスクは、ますますサードパーティからのデータインプットを取得することの恩恵を受けています。
新しいエンティティや新しいビジネスモデルは、そのようなデータ要求を適切なプロバイダと一致させることを目的として現れています。
論文 参考訳(メタデータ) (2022-01-11T12:27:37Z) - A Marketplace for Trading AI Models based on Blockchain and Incentives
for IoT Data [24.847898465750667]
機械学習(ML)の新たなパラダイムは、学習モデルを異種エージェントのグループに部分的に配信するフェデレートされたアプローチであり、エージェントは自身のデータでモデルをローカルにトレーニングすることができる。
モデルの評価の問題や、協調トレーニングやデータ/モデルの取引に対するインセンティブの問題は、文献において限られた扱いを受けてきた。
本稿では、信頼されたMLベースのネットワーク上でのMLモデルトレーディングの新しいエコシステムを提案する。買い手はML市場から関心のモデルを取得することができ、興味のある売り手はそのモデルの品質を高めるためにローカルな計算に費やす。
論文 参考訳(メタデータ) (2021-12-06T08:52:42Z) - Collaborative Problem Solving on a Data Platform Kaggle [0.4511923587827301]
データ交換エコシステムは、データと知識の交換を容易にするプラットフォームサービスによって開発されている。
本研究では,データ分析競合プラットフォームであるKaggleについて検討する。
論文 参考訳(メタデータ) (2021-07-26T02:28:01Z) - Data Sharing Markets [95.13209326119153]
我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。
両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
論文 参考訳(メタデータ) (2021-07-19T06:00:34Z) - FedH2L: Federated Learning with Model and Statistical Heterogeneity [75.61234545520611]
フェデレートラーニング(FL)は、分散参加者が個々のデータのプライバシを犠牲にすることなく、強力なグローバルモデルを集合的に学習することを可能にする。
我々はFedH2Lを導入し、これはモデルアーキテクチャに非依存であり、参加者間で異なるデータ分散に対して堅牢である。
パラメータや勾配を共有するアプローチとは対照的に、FedH2Lは相互蒸留に依存し、参加者間で共有シードセットの後方のみを分散的に交換する。
論文 参考訳(メタデータ) (2021-01-27T10:10:18Z) - A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。
Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。
本稿では,FL に対応する SV の変種を提案する。
論文 参考訳(メタデータ) (2020-09-14T04:37:54Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。