論文の概要: MarS-FL: A Market Share-based Decision Support Framework for
Participation in Federated Learning
- arxiv url: http://arxiv.org/abs/2110.13464v1
- Date: Tue, 26 Oct 2021 07:59:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 16:13:19.006790
- Title: MarS-FL: A Market Share-based Decision Support Framework for
Participation in Federated Learning
- Title（参考訳）: MarS-FL:Federated Learningに参加するためのマーケットシェアベースの意思決定支援フレームワーク
- Authors: Xiaohu Wu and Han Yu
- Abstract要約: フェデレートラーニング(FL)は、複数の参加者(PT)がデータを共有せずに集約的で強力な学習モデルを構築することを可能にするため、データのプライバシとセキュリティが維持される。
市場シェアの進化におけるFLの役割の理解は、PTによるFLの採用を促進する上で重要な役割を担っている。
- 参考スコア（独自算出の注目度）: 11.727832853571957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) enables multiple participants (PTs) to build an
aggregate and more powerful learning model without sharing data, thus
maintaining data privacy and security. Among the key application scenarios is a
competitive market where market shares represent PTs' competitiveness. An
understanding of the role of FL in evolving market shares plays a key role in
advancing the adoption of FL by PTs.
In terms of modeling, we adapt a general economic model to the FL context and
introduce two notions of $\delta$-stable market and friendliness to measure the
viability of FL and the market acceptability to FL. Further, we address related
decision-making issues with FL designer and PTs. First, we characterize the
process by which each PT participates in FL as a non-cooperative game and prove
its dominant strategy. Second, as an FL designer, the final model performance
improvement of each PT should be bounded, which relates to the market
conditions of a particular FL application scenario; we give a sufficient and
necessary condition $Q$ to maintain the market $\delta$-stability and quantify
the friendliness $\kappa$. The condition $Q$ gives a specific requirement while
an FL designer allocates performance improvements among PTs. In a typical case
of oligopoly, closed-form expressions of $Q$ and $\kappa$ are given. Finally,
numerical results are given to show the viability of FL in a wide range of
market conditions. Our results help identify optimal PT strategies, the viable
operational space of an FL designer, and the market conditions under which FL
is especially beneficial.
- Abstract（参考訳）: フェデレートラーニング(FL)は、複数の参加者(PT)がデータを共有せずに集約的で強力な学習モデルを構築することを可能にする。
主要なアプリケーションシナリオの1つは、市場シェアがPTの競争力を表す競争市場である。
市場シェアの発展におけるflの役割を理解することは、ptsによるflの採用を進める上で重要な役割を果たす。
モデリングの面では、FLの状況に一般的な経済モデルを適用し、FLの生存可能性とFLの市場受容性を測定するために$\delta$-stable Marketとフレンドリーな2つの概念を導入する。
さらに,FLデザイナとPTの関連意思決定問題に対処する。
まず,各ptがflに参加する過程を非協力的ゲームとして特徴付け,その支配的戦略を証明する。
第2に、FLデザイナとして、各PTの最終的なモデルパフォーマンス改善は、特定のFLアプリケーションシナリオの市場条件に関係し、市場を維持するのに十分な条件である$Q$を与え、フレンドラインを$\kappa$に定量化する。
Q$という条件は特定の要件を与え、FLデザイナはPTのパフォーマンス改善を割り当てます。
oligopoly の典型的な場合、$q$ と $\kappa$ の閉形式式が与えられる。
最後に, 幅広い市場条件下でのflの有効性を示すために, 数値的な結果が得られた。
本研究は, 最適PT戦略, FLデザイナの実行可能な運用空間, FLが特に有益である市場条件の同定に有効である。
関連論文リスト
- Free-Rider and Conflict Aware Collaboration Formation for Cross-Silo Federated Learning [32.35705737668307]
Federated Learning(FL)は、複数のFL参加者がプライベートデータを共有せずにトレーニングモデル上でコラボレーションできる機械学習パラダイムである。
我々は、FL-PTがFLエコシステムの恩恵を受ける場合に限り、FL-PTがFLの恩恵を受けることを確実にする最適なFLコラボレーション形成戦略であるFedEgoistsを提案する。
FL-PT連立が最適であることは理論的に証明する。
論文 参考訳（メタデータ） (2024-10-25T06:13:26Z) - A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳（メタデータ） (2024-02-23T10:21:07Z) - An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。
FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。
本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
論文 参考訳（メタデータ） (2024-02-02T07:25:53Z) - Towards Open Federated Learning Platforms: Survey and Vision from
Technical and Legal Perspectives [34.0620974123791]
従来のフェデレートラーニング(FL)は、サーバが支配する協調パラダイムに従っています。
私たちは、現在のFLフレームワークの設計を再考し、より一般的な概念であるOpen Federated Learning Platformに拡張することを提唱します。
論文 参考訳（メタデータ） (2023-07-05T09:30:14Z) - Free-Rider Games for Federated Learning with Selfish Clients in NextG
Wireless Networks [1.1726528038065764]
本稿では,フェデレートラーニング(FL)におけるゲーム理論の枠組みについて述べる。
FLは、NextG通信のためのスペクトルセンシングをサポートするためにクライアントによって使用される。
フリーライディング行動は、グローバルモデル学習への貢献の欠如により、世界的な精度を低下させる可能性がある。
論文 参考訳（メタデータ） (2022-12-21T17:10:55Z) - FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。
本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
論文 参考訳（メタデータ） (2022-10-31T22:59:03Z) - UniFed: All-In-One Federated Learning Platform to Unify Open-Source
Frameworks [53.20176108643942]
オープンソースフェデレートラーニング(FL)フレームワークを標準化する最初の統一プラットフォームであるUniFedを紹介します。
UniFedは、分散実験とデプロイメントのためのエンドツーエンドワークフローを合理化し、11の人気のあるオープンソースFLフレームワークを含んでいる。
機能、プライバシ保護、パフォーマンスの観点から、11の人気のあるFLフレームワークを評価し比較する。
論文 参考訳（メタデータ） (2022-07-21T05:03:04Z) - FL Games: A federated learning framework for distribution shifts [71.98708418753786]
フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。
本稿では,クライアント間で不変な因果的特徴を学習するためのゲーム理論のフレームワークであるFL Gamesを提案する。
論文 参考訳（メタデータ） (2022-05-23T07:51:45Z) - Proportional Fairness in Federated Learning [27.086313029073683]
PropFairは、フェデレート学習において、比例的に公平な解を見つけるための、新しく簡単に実装できるアルゴリズムである。
PropFairはおよそPFソリューションを見つけることができ、すべてのクライアントの平均的なパフォーマンスと最悪の10%のクライアントのバランスがとれることを実証します。
論文 参考訳（メタデータ） (2022-02-03T16:28:04Z) - A Contract Theory based Incentive Mechanism for Federated Learning [52.24418084256517]
フェデレートラーニング(FL)は、データプライバシ保護機械学習パラダイムとして機能し、分散クライアントによってトレーニングされた協調モデルを実現する。
FLタスクを達成するために、タスクパブリッシャはFLサーバに金銭的なインセンティブを支払う必要があり、FLサーバはFLクライアントにタスクをオフロードする。
タスクがクライアントによってプライベートにトレーニングされているという事実から、FLクライアントに対して適切なインセンティブを設計することは困難である。
論文 参考訳（メタデータ） (2021-08-12T07:30:42Z) - A Systematic Literature Review on Federated Learning: From A Model
Quality Perspective [10.725466627592732]
フェデレートラーニング(FL)は、データをローカルに残してグローバルモデルを共同でトレーニングすることができる。
本稿では,FLモデルの品質向上へのアプローチを体系的に検討し,客観的に分析する。
論文 参考訳（メタデータ） (2020-12-01T05:48:36Z)
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。