論文の概要: A Distributed Differentially Private Algorithm for Resource Allocation
in Unboundedly Large Settings
- arxiv url: http://arxiv.org/abs/2011.07934v2
- Date: Sun, 13 Mar 2022 19:28:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 00:58:20.223753
- Title: A Distributed Differentially Private Algorithm for Resource Allocation
in Unboundedly Large Settings
- Title(参考訳): 非有界大規模環境における資源割当のための分散微分プライベートアルゴリズム
- Authors: Panayiotis Danassis, Aleksei Triastcyn, Boi Faltings
- Abstract要約: マルチエージェントシステムの基本問題の1つを解決するために,実用的でスケーラブルなアルゴリズム(PALMA)を導入する。
PALMAは分散化され、デバイス上で動作し、エージェント間通信を必要としない。
私たちは、強力なプライバシーレベル(varepsilon leq 1$、中央値が$varepsilon = 0.5$)と高品質なマッチングを提供することを示した。
- 参考スコア(独自算出の注目度): 31.890705625771727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a practical and scalable algorithm (PALMA) for solving one of
the fundamental problems of multi-agent systems -- finding matches and
allocations -- in unboundedly large settings (e.g., resource allocation in
urban environments, mobility-on-demand systems, etc.), while providing strong
worst-case privacy guarantees. PALMA is decentralized, runs on-device, requires
no inter-agent communication, and converges in constant time under reasonable
assumptions. We evaluate PALMA in a mobility-on-demand and a paper assignment
scenario, using real data in both, and demonstrate that it provides a strong
level of privacy ($\varepsilon \leq 1$ and median as low as $\varepsilon = 0.5$
across agents) and high-quality matchings (up to $86\%$ of the non-private
optimal, outperforming even the privacy-preserving centralized maximum-weight
matching baseline).
- Abstract(参考訳): 我々は,マルチエージェントシステムの基本問題であるマッチングとアロケーションの探索を(都市環境におけるリソース割り当て,モビリティ・オン・デマンド・システムなど)無制限に大規模設定で解決し,最悪の場合の強力なプライバシー保証を提供するための実用的でスケーラブルなアルゴリズム(palma)を導入する。
PALMAは分散化され、デバイス上で動作し、エージェント間通信を必要としない。
我々は、PALMAを、両方の実際のデータを用いて、モビリティ・オン・デマンドと紙の割り当てシナリオで評価し、強力なプライバシーレベル(\varepsilon \leq 1$、中央値が$\varepsilon = 0.5$)と高品質なマッチング(最大8.6%)を提供することを示した。
関連論文リスト
- Federated PCA and Estimation for Spiked Covariance Matrices: Optimal Rates and Efficient Algorithm [19.673557166734977]
フェデレートラーニング(FL)は、プライバシとデータセキュリティの強化により、機械学習において、近年大きな注目を集めている。
本稿では,分散差分プライバシー制約下でのフェデレーションPCAとスパイク共分散行列の推定について検討する。
我々は、集中サーバの最適レートがローカルクライアントのミニマックスレートの調和平均であることから、収束のミニマックスレートを確立する。
論文 参考訳(メタデータ) (2024-11-23T21:57:50Z) - Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。
$mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。
$mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文 参考訳(メタデータ) (2024-06-18T15:26:54Z) - DePAint: A Decentralized Safe Multi-Agent Reinforcement Learning Algorithm considering Peak and Average Constraints [1.1549572298362787]
本稿では,この問題を解決するために,モーメントに基づく分散勾配法DePaintを提案する。
これは、ピーク制約と平均制約の両方を考慮した、プライバシ保存で完全に分散化されたマルチエージェント強化学習アルゴリズムとしては初めてのものである。
論文 参考訳(メタデータ) (2023-10-22T16:36:03Z) - Safe Model-Based Multi-Agent Mean-Field Reinforcement Learning [48.667697255912614]
平均場強化学習は、同一エージェントの無限集団と相互作用する代表エージェントのポリシーに対処する。
モデルベースの平均場強化学習アルゴリズムであるSafe-M$3$-UCRLを提案する。
本アルゴリズムは,低需要領域におけるサービスアクセシビリティを確保しつつ,重要な領域における需要を効果的に満たす。
論文 参考訳(メタデータ) (2023-06-29T15:57:07Z) - Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。
データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文 参考訳(メタデータ) (2022-05-08T14:38:23Z) - Secure Distributed/Federated Learning: Prediction-Privacy Trade-Off for
Multi-Agent System [4.190359509901197]
分散学習(DLとFL)フレームワーク内で推論を行うビッグデータ時代において、中央サーバは大量のデータを処理する必要がある。
分散コンピューティングトポロジを考えると、プライバシは第一級の関心事になっている。
本研究では,テキストプライバシを意識したサーバを,エージェントごとの情報処理制約を考慮したマルチエージェント代入問題に適用する。
論文 参考訳(メタデータ) (2022-04-24T19:19:20Z) - Learning to Coordinate in Multi-Agent Systems: A Coordinated
Actor-Critic Algorithm and Finite-Time Guarantees [43.10380224532313]
本研究ではアクター・クリティカル(AC)アルゴリズムを用いて,自律エージェントによる協調行動の出現について検討する。
本稿では、個別にパラメータ化されたポリシーが共有された部分とパーソナライズされた部分を持つコーディネートされたアクタ・クリティカル・アルゴリズム(CAC)のクラスを提案し、分析する。
この研究は、部分的にパーソナライズされたポリシーを持つ分散ACアルゴリズムに対する最初の有限サンプル保証を提供する。
論文 参考訳(メタデータ) (2021-10-11T20:26:16Z) - Cooperative Multi-Agent Actor-Critic for Privacy-Preserving Load
Scheduling in a Residential Microgrid [71.17179010567123]
本稿では,分散型アクターを分散批評家に教育する,プライバシ保護型マルチエージェントアクター批判フレームワークを提案する。
提案手法は,家庭のプライバシを保護しつつ,暗黙的にマルチエージェントの信用代入メカニズムを学習する。
論文 参考訳(メタデータ) (2021-10-06T14:05:26Z) - Multi-resource allocation for federated settings: A non-homogeneous
Markov chain model [2.552459629685159]
連合設定において、エージェントは中央エージェントまたはサーバと協調し、エージェントが互いに情報を共有しない最適化問題を解決する。
本稿では,アジェント間通信のない単一共有リソースのフェデレーション設定における最適化問題のクラスを解決するために,AIMDアルゴリズムを簡単な方法で変更する方法について述べる。
シングルリソースのアルゴリズムを、スマートシティや共有エコノミー、その他多くのアプリケーションに出現する複数の異種共有リソースに拡張する。
論文 参考訳(メタデータ) (2021-04-26T19:10:00Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳(メタデータ) (2020-04-17T14:56:29Z)
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。