論文の概要: Online Auction-Based Incentive Mechanism Design for Horizontal Federated Learning with Budget Constraint

• arxiv url: http://arxiv.org/abs/2201.09047v1
• Date: Sat, 22 Jan 2022 13:37:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 16:12:12.396578
• Title: Online Auction-Based Incentive Mechanism Design for Horizontal Federated Learning with Budget Constraint
• Title（参考訳）: 予算制約付き水平フェデレーション学習のためのオンラインオークションに基づくインセンティブ機構設計
• Authors: Jingwen Zhang, Yuezhou Wu, Rong Pan
• Abstract要約: フェデレートされた学習は、データ分離を持つすべての関係者が協力的かつ効率的にモデルをトレーニングすることを可能にする。 高品質なモデルを得るには、より高品質な労働者をデータと計算能力で動機付けるためのインセンティブメカニズムが必要である。 本稿では,予算制約を伴う水平的フェデレーション学習のための,逆オークションに基づくオンラインインセンティブ機構を提案する。
• 参考スコア（独自算出の注目度）: 9.503584357135832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning makes it possible for all parties with data isolation to train the model collaboratively and efficiently while satisfying privacy protection. To obtain a high-quality model, an incentive mechanism is necessary to motivate more high-quality workers with data and computing power. The existing incentive mechanisms are applied in offline scenarios, where the task publisher collects all bids and selects workers before the task. However, it is practical that different workers arrive online in different orders before or during the task. Therefore, we propose a reverse auction-based online incentive mechanism for horizontal federated learning with budget constraint. Workers submit bids when they arrive online. The task publisher with a limited budget leverages the information of the arrived workers to decide on whether to select the new worker. Theoretical analysis proves that our mechanism satisfies budget feasibility, computational efficiency, individual rationality, consumer sovereignty, time truthfulness, and cost truthfulness with a sufficient budget. The experimental results show that our online mechanism is efficient and can obtain high-quality models.
• Abstract（参考訳）: フェデレーション学習は、プライバシー保護を満足しながら、データ分離を持つすべての関係者が協力的かつ効率的にモデルをトレーニングできるようにする。 高品質なモデルを得るには、データと計算能力を持つより高品質な労働者を動機づけるインセンティブ機構が必要である。 既存のインセンティブメカニズムはオフラインのシナリオで適用され、タスクパブリッシャはすべての入札を集め、タスクの前にワーカーを選択する。 しかし、作業の前後で異なる作業員が異なる順序でオンラインで到着することは現実的である。 そこで本稿では,予算制約を伴う水平連合学習のための逆オークションに基づくオンラインインセンティブ機構を提案する。 労働者はオンラインに着くと入札を提出します。 予算が限られているタスクパブリッシャは、到着した労働者の情報を活用して、新しい労働者を選ぶかどうかを決定する。 理論的分析により、我々のメカニズムは十分な予算で予算の実現可能性、計算効率、個人の合理性、消費者主権、時間真理性、コスト真理性を満たすことが証明された。 実験の結果,我々のオンラインメカニズムは効率的であり,高品質なモデルが得られることがわかった。

関連論文リスト

• On the Necessity of Collaboration for Online Model Selection with Decentralized Data [53.244188985271606]
  我々は,100万ドル以上の分散データを用いたオンラインモデル選択について検討し,クライアント間のコラボレーションの必要性について検討する。 i) クライアント上の計算コストが$o(K)$に制限された場合, (ii) クライアント上での計算制約がない場合, (i) 協調は不要であり, (ii) クライアント上での計算コストは$o(K)$に制限される。
  論文  参考訳（メタデータ） (2024-04-15T06:32:28Z)
• Learning Payment-Free Resource Allocation Mechanisms [19.60309632660988]
  ニューラルネットワークを用いた自己関心エージェント間のリソース制限機構の設計について検討する。 支払いなしのメカニズム設計に"マネーバーニング"というアイデアを取り入れた、新たなエンドツーエンドニューラルネットワークアーキテクチャであるExS-Netをコントリビュートしています。
  論文  参考訳（メタデータ） (2023-11-18T01:21:54Z)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• Incentivizing Massive Unknown Workers for Budget-Limited Crowdsensing: From Off-Line and On-Line Perspectives [31.24314338983544]
  オフラインのコンテキスト認識型CMABベースのインセンティブ(CACI)機構を提案する。 また、このアイデアを、未知の労働者がシステムに参加または離脱するオンライン設定に拡張する。
  論文  参考訳（メタデータ） (2023-09-21T14:30:42Z)
• Efficient Core-selecting Incentive Mechanism for Data Sharing in Federated Learning [0.12289361708127873]
  フェデレーテッド・ラーニング(Federated Learning)は、参加者のデータを使って改善されたグローバルモデルをトレーニングする分散機械学習システムである。 データを真に入力し、安定した協力を促進するインセンティブメカニズムの確立は、検討すべき重要な問題となっている。 本稿では,サンプリング近似に基づく効率的なコア選択機構を提案する。
  論文  参考訳（メタデータ） (2023-09-21T01:47:39Z)
• No Bidding, No Regret: Pairwise-Feedback Mechanisms for Digital Goods and Data Auctions [14.87136964827431]
  本研究は, 一般的な繰り返しオークション設定に対処する新しいメカニズムを提案する。 メカニズムの新規性は、入札者から情報を引き出すためにペアワイズ比較を使用することにある。 ヒューマンファクターに焦点が当てられていることは、よりヒューマン・アウェアで効率的なメカニズム設計の発展に寄与する。
  論文  参考訳（メタデータ） (2023-06-02T18:29:07Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)
• Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline Reinforcement Learning [114.36124979578896]
  オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。 我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
  論文  参考訳（メタデータ） (2022-05-05T05:44:26Z)
• Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement Learning Approach [130.9259586568977]
  本稿では,複数ラウンドの対話を通して動的ビックレー・クラーク・グローブ(VCG)機構を回復するための新しい学習アルゴリズムを提案する。 当社のアプローチの重要な貢献は、報酬のないオンライン強化学習(RL)を取り入れて、リッチな政策分野の探索を支援することである。
  論文  参考訳（メタデータ） (2022-02-25T16:17:23Z)
• Auction-Based Ex-Post-Payment Incentive Mechanism Design for Horizontal Federated Learning with Reputation and Contribution Measurement [9.503584357135832]
  フェデレーション学習は、分散データを持つデバイス間でモデルをトレーニングし、プライバシを保護し、集中型MLと同様のモデルを取得する。 評価とコントリビューション測定を併用した水平連合学習のためのオークションベースのインセンティブメカニズムを設計する。
  論文  参考訳（メタデータ） (2022-01-07T11:44:20Z)
• Inducing Equilibria via Incentives: Simultaneous Design-and-Play Finds Global Optima [114.31577038081026]
  本稿では,デザイナーとエージェントの問題を同時に1ループで解くための効率的な手法を提案する。 設計者は平衡問題を何度も解決しないが、エージェントに対するインセンティブの全体的な影響を予測できる。 このアルゴリズムは,幅広い種類のゲームに対して,サブ線形速度で大域的最適値に収束することを示す。
  論文  参考訳（メタデータ） (2021-10-04T06:53:59Z)

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。