論文の概要: A Comprehensive Survey of Incentive Mechanism for Federated Learning

• arxiv url: http://arxiv.org/abs/2106.15406v1
• Date: Sun, 27 Jun 2021 12:24:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:17:15.465843
• Title: A Comprehensive Survey of Incentive Mechanism for Federated Learning
• Title（参考訳）: 連合学習におけるインセンティブ機構の包括的調査
• Authors: Rongfei Zeng, Chao Zeng, Xingwei Wang, Bo Li, Xiaowen Chu
• Abstract要約: フェデレートラーニングは、参加者が提供した様々なリソースを利用して、グローバルモデルを協調的にトレーニングする。 フェデレート学習にいくらかの支払いをすることで、より多くの参加者に貴重なリソースを貢献させることは極めて重要です。
• 参考スコア（独自算出の注目度）: 18.29559568325112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning utilizes various resources provided by participants to collaboratively train a global model, which potentially address the data privacy issue of machine learning. In such promising paradigm, the performance will be deteriorated without sufficient training data and other resources in the learning process. Thus, it is quite crucial to inspire more participants to contribute their valuable resources with some payments for federated learning. In this paper, we present a comprehensive survey of incentive schemes for federate learning. Specifically, we identify the incentive problem in federated learning and then provide a taxonomy for various schemes. Subsequently, we summarize the existing incentive mechanisms in terms of the main techniques, such as Stackelberg game, auction, contract theory, Shapley value, reinforcement learning, blockchain. By reviewing and comparing some impressive results, we figure out three directions for the future study.
• Abstract（参考訳）: フェデレーション学習は、参加者が提供したさまざまなリソースを活用して、グローバルなモデルを協調的にトレーニングする。 このような有望なパラダイムでは、学習プロセスにおいて十分なトレーニングデータやその他のリソースなしでパフォーマンスが劣化する。 したがって、より多くの参加者に、フェデレーション学習への支払いで貴重なリソースに貢献するように促すことは極めて重要です。 本稿では,フェデレート学習のためのインセンティブスキームを包括的に調査する。 具体的には,フェデレーション学習におけるインセンティブ問題を特定し,様々なスキームの分類法を提案する。 その後,stackelbergゲーム,オークション,契約理論,shapley値,強化学習,ブロックチェーンなど,既存のインセンティブメカニズムを主要なテクニックとして要約する。 印象的な結果をレビューし、比較することで、将来の研究への3つの方向を見出した。

関連論文リスト

• Federated Learning driven Large Language Models for Swarm Intelligence: A Survey [2.769238399659845]
  Federated Learning (FL)は、大規模言語モデル(LLM)をトレーニングするための魅力的なフレームワークを提供する 私たちは機械学習に重点を置いています。これは、忘れられる権利のようなプライバシー規則に従う上で重要な側面です。 摂動技術やモデル分解,漸進学習など,効果的なアンラーニングを可能にするさまざまな戦略を探求する。
  論文  参考訳（メタデータ） (2024-06-14T08:40:58Z)
• Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
  人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。 異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。 現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
  論文  参考訳（メタデータ） (2024-02-08T07:18:23Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A Stackelberg Game Approach [54.28419430315478]
  Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。 MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。 そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2021-09-25T17:27:48Z)
• From Distributed Machine Learning to Federated Learning: A Survey [49.7569746460225]
  分散学習は、分散データとコンピューティングリソースを利用するための効率的なアプローチとして現れる。 本論文では,連合学習システムの機能構造と関連手法の分類法を提案する。 本稿では,flシステムの分散トレーニング,データ通信,セキュリティについて述べる。
  論文  参考訳（メタデータ） (2021-04-29T14:15:11Z)
• Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning [65.06445195580622]
  フェデレートラーニング(Federated Learning)は、データ収集とモデルトレーニングを、マルチパーティの計算とモデルアグリゲーションを通じて分離する新しいパラダイムである。 我々は、他の学習アルゴリズムとともに、フェデレーション学習の焦点を絞った調査を行う。
  論文  参考訳（メタデータ） (2021-02-25T15:18:13Z)
• Resource-Constrained Federated Learning with Heterogeneous Labels and Models [1.4824891788575418]
  本稿では,ラベル間の重なり合う情報ゲインを利用する,単純な$alpha$-weighted federated aggregates of scoresを提案する。 また、Raspberry Pi 2で異なるイテレーションをまたいだフェデレーション学習と推論を実験することで、提案フレームワークのオンデバイス機能を示す。
  論文  参考訳（メタデータ） (2020-11-06T06:23:47Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)
• Trading Data For Learning: Incentive Mechanism For On-Device Federated Learning [25.368195601622688]
  フェデレートラーニング(Federated Learning)とは、さまざまなデバイスに分散したグローバルモデルのトレーニングの概念である。 この設定では、ユーザのデバイスが自身のデータ上で計算を行い、その結果をクラウドサーバと共有し、グローバルモデルを更新します。 ユーザは、フェデレートされたモデルトレーニングプロセス中に、ローカルデータのプライバシリークに悩まされる。 本稿では、信頼性の高いデータを提供する可能性の高いユーザを選択し、プライバシリークのコストを補償する効果的なインセンティブメカニズムを提案する。
  論文  参考訳（メタデータ） (2020-09-11T18:37:58Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)

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。