論文の概要: Federated Learning as a Mean-Field Game
- arxiv url: http://arxiv.org/abs/2107.03770v1
- Date: Thu, 8 Jul 2021 11:31:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 17:06:39.078319
- Title: Federated Learning as a Mean-Field Game
- Title(参考訳): ゲームとしてのフェデレーション学習
- Authors: Arash Mehrjou
- Abstract要約: 我々は,フェデレーション学習と平均場ゲームとのつながりを確立する。
差分ゲームとしてフェデレーション学習を提示し、このゲームの性質について議論する。
これら2つの異なる分野の研究者が、大規模な分散およびプライバシ保護学習アルゴリズムの基本的問題に取り組むために、連合学習に対するこの新たな視点を結び付けることを願っている。
- 参考スコア(独自算出の注目度): 6.370905925442655
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We establish a connection between federated learning, a concept from machine
learning, and mean-field games, a concept from game theory and control theory.
In this analogy, the local federated learners are considered as the players and
the aggregation of the gradients in a central server is the mean-field effect.
We present federated learning as a differential game and discuss the properties
of the equilibrium of this game. We hope this novel view to federated learning
brings together researchers from these two distinct areas to work on
fundamental problems of large-scale distributed and privacy-preserving learning
algorithms.
- Abstract(参考訳): 我々は,機械学習の概念であるフェデレート学習と,ゲーム理論と制御理論の概念である平均場ゲームとの関連性を確立する。
このアナロジーでは、ローカルなフェデレーション学習者がプレイヤーと見なされ、中央サーバにおける勾配の集約が平均フィールド効果である。
微分ゲームとしてフェデレート学習を行い,このゲームの平衡の性質について考察する。
フェデレーション学習に対するこの新たな見解は、この2つの異なる分野の研究者を集結させ、大規模分散およびプライバシ保護学習アルゴリズムの根本的な問題に取り組むことを願っている。
関連論文リスト
- Game Theory Meets Statistical Mechanics in Deep Learning Design [0.06990493129893112]
本稿では,ゲーム理論の原理と統計力学の法則をシームレスに融合する新しいディープ表現を提案する。
単一の学習フレームワーク内で特徴抽出、次元縮小、パターン分類を行う。
論文 参考訳(メタデータ) (2024-10-16T06:02:18Z) - pFedGame -- Decentralized Federated Learning using Game Theory in Dynamic Topology [1.1970409518725493]
pFedGameは、時間的動的ネットワークに適した分散フェデレーション学習のために提案されている。
提案アルゴリズムは集約のための集中型サーバを使わずに動作する。
pFedGameの性能を評価する実験は、不均一なデータに対して70%以上の精度で有望な結果を示した。
論文 参考訳(メタデータ) (2024-10-05T06:39:16Z) - Neural Population Learning beyond Symmetric Zero-sum Games [52.20454809055356]
我々はNuPL-JPSROという,スキルの伝達学習の恩恵を受けるニューラル集団学習アルゴリズムを導入し,ゲームの粗相関(CCE)に収束する。
本研究は, 均衡収束型集団学習を大規模かつ汎用的に実施可能であることを示す。
論文 参考訳(メタデータ) (2024-01-10T12:56:24Z) - Learning Discrete-Time Major-Minor Mean Field Games [61.09249862334384]
本稿では,M3FG(Major-minor MFG)の新たな離散時間バージョンと,実演に基づく学習アルゴリズムを提案する。
M3FGは一般的な雑音でMFGを一般化し、ランダムな異種環境状態だけでなく、メジャープレイヤーも扱える。
論文 参考訳(メタデータ) (2023-12-17T18:22:08Z) - Learning Correlated Equilibria in Mean-Field Games [62.14589406821103]
我々は平均場相関と粗相関平衡の概念を発展させる。
ゲームの構造に関する仮定を必要とせず,効率よくゲーム内で学習できることが示される。
論文 参考訳(メタデータ) (2022-08-22T08:31:46Z) - Learning to Infer Structures of Network Games [22.494985151665205]
観測されたゲーム結果(均衡行動)からネットワーク構造を推定することは、経済学や社会科学における多くの潜在的な応用において重要な問題である。
我々は,問題の対称性を正しく説明し,均衡動作からゲーム内のネットワーク構造へのマッピングをユーティリティ関数の明示的な知識なしに学習するトランスフォーマーのようなアーキテクチャを採用する。
提案手法は,合成データと実世界のデータの両方を用いて3種類のネットワークゲーム上でテストし,ネットワーク構造推定の有効性と既存手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-06-16T12:32:07Z) - FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for
Federated Learning on Non-IID Data [69.0785021613868]
フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。
本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。
これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
論文 参考訳(メタデータ) (2022-05-19T03:32:03Z) - From Federated to Fog Learning: Distributed Machine Learning over
Heterogeneous Wireless Networks [71.23327876898816]
フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。
我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
論文 参考訳(メタデータ) (2020-06-07T05:11:18Z) - Smooth markets: A basic mechanism for organizing gradient-based learners [47.34060971879986]
スムーズマーケット(SM-games)は、対角にゼロ和の相互作用を持つn-プレイヤゲームの一種である。
SMゲームは、(一部)GAN、敵対的トレーニング、その他の最近のアルゴリズムを含む、機械学習における一般的なデザインパターンを符号化する。
SMゲームは1次手法を用いて解析と最適化が可能であることを示す。
論文 参考訳(メタデータ) (2020-01-14T09:19:39Z)
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。