論文の概要: Participation and Data Valuation in IoT Data Markets through Distributed
Coalitions
- arxiv url: http://arxiv.org/abs/2206.07785v2
- Date: Fri, 17 Jun 2022 07:02:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 11:11:02.565457
- Title: Participation and Data Valuation in IoT Data Markets through Distributed
Coalitions
- Title(参考訳): 分散結合によるIoTデータ市場への参加とデータ評価
- Authors: Shashi Raj Pandey, Pierre Pinson, Petar Popovski
- Abstract要約: 本稿では,機械学習モデルのトレーニングに使用されるIoT(Internet of Things)データ市場について考察する。
データはネットワークを介して市場プラットフォームに供給され、機械学習モデルにもたらす価値に基づいてデータの価格が制御される。
- 参考スコア(独自算出の注目度): 34.71061940229006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper considers a market for Internet of Things (IoT) data that is used
to train machine learning models. The data is supplied to the market platform
through a network and the price of the data is controlled based on the value it
brings to the machine learning model. We explore the correlation property of
data in a game-theoretical setting to eventually derive a simplified
distributed solution for a data trading mechanism that emphasizes the mutual
benefit of devices and the market. The key proposal is an efficient algorithm
for markets that jointly addresses the challenges of availability and
heterogeneity in participation, as well as the transfer of trust and the
economic value of data exchange in IoT networks. The proposed approach
establishes the data market by reinforcing collaboration opportunities between
devices with correlated data to avoid information leakage. Therein, we develop
a network-wide optimization problem that maximizes the social value of
coalition among the IoT devices of similar data types; at the same time, it
minimizes the cost due to network externalities, i.e., the impact of
information leakage due to data correlation, as well as the opportunity costs.
Finally, we reveal the structure of the formulated problem as a distributed
coalition game and solve it following the simplified split-and-merge algorithm.
Simulation results show the efficacy of our proposed mechanism design toward a
trusted IoT data market, with up to 32.72% gain in the average payoff for each
seller.
- Abstract(参考訳): 本稿では,機械学習モデルのトレーニングに使用されるIoT(Internet of Things)データ市場について考察する。
データはネットワークを介してマーケットプラットフォームに供給され、そのデータの価格は、機械学習モデルにもたらした価値に基づいて制御される。
ゲーム理論におけるデータの相関性について検討し、最終的にはデバイスと市場の相互利益を強調するデータトレーディング機構のための簡易分散ソリューションを導出する。
鍵となる提案は、IoTネットワークにおける信頼の移転とデータ交換の経済的価値に加えて、参加の可用性と不均一性の課題を共同で解決する、市場のための効率的なアルゴリズムである。
提案手法は,情報漏洩を回避するために相関データを持つデバイス間の協調機会を強化することにより,データ市場を確立する。
そこで、類似したデータ型を持つiotデバイス間の結合の社会的価値を最大化するネットワーク全体の最適化問題を開発し、同時に、ネットワーク外部性によるコスト、すなわちデータ相関による情報漏洩の影響や機会コストを最小化する。
最後に,定式化問題の構造を分散連立ゲームとして明らかにし,単純化した分割・マージアルゴリズムにより解いた。
シミュレーションの結果,信頼されたIoTデータ市場に向けたメカニズム設計の有効性が示され,各販売者の平均支払額は最大32.72%増加した。
関連論文リスト
- 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) - Privacy-Aware Data Acquisition under Data Similarity in Regression
Markets [29.64195175524365]
データの類似性とプライバシの嗜好が市場設計に不可欠であることを示す。
我々は、データ類似性が市場参加や取引データの価値にどのように影響するかを数値的に評価する。
論文 参考訳(メタデータ) (2023-12-05T09:39:04Z) - Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。
次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。
提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-11-22T22:15:17Z) - Addressing Budget Allocation and Revenue Allocation in Data Market
Environments Using an Adaptive Sampling Algorithm [14.206050847214652]
本稿では,予算配分と収益配分を同時に線形時間で解く新しいアルゴリズムを提案する。
新しいアルゴリズムでは、モデルに最も貢献しているプロバイダからデータを選択するアダプティブサンプリングプロセスを採用している。
予算を効率的に利用し,収益配分特性がShapleyに類似していることを示すアルゴリズムを理論的に保証する。
論文 参考訳(メタデータ) (2023-06-05T02:28:19Z) - Semantic Information Marketing in The Metaverse: A Learning-Based
Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。
帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。
本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文 参考訳(メタデータ) (2023-02-22T15:52:37Z) - Clustered Data Sharing for Non-IID Federated Learning over Wireless
Networks [39.80420645943706]
Federated Learning (FL)は、IoT(Internet of Things)のデータを活用する分散型機械学習アプローチである。
現在のFLアルゴリズムは、非独立で同一の分散データ(非IID)の課題に直面しており、通信コストが高く、モデルの精度が低下する。
本稿では,デバイス間通信(D2D)を通じて,クラスタヘッドから信頼性の高いアソシエイトへの部分的データ通信を行うクラスタデータ共有フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-17T07:11:02Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳(メタデータ) (2022-05-31T17:45:30Z) - A Proactive Management Scheme for Data Synopses at the Edge [20.711789781518753]
Edge Computingエコシステムに多数の処理ノードがあるIoT(Internet of Things)は、インテリジェントアプリケーションをサポートするための新たな経路を開く。
このようなアプリケーションは、ネットワークを介してエッジノードに転送されるIoTデバイスによって収集された膨大な量のデータに対して提供される。
議論されたデータ上でさまざまな処理アクティビティを実行することができ、ECノード間の複数の協調的な機会は、望ましいタスクの実行を容易にします。
本稿では、類似したデータを持つピアノードについて必要な知識を提供するために、ECノード間の実際のデータよりもデータシナプスの交換を推奨する。
論文 参考訳(メタデータ) (2021-07-22T10:22:37Z) - Data Sharing Markets [95.13209326119153]
我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。
両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
論文 参考訳(メタデータ) (2021-07-19T06:00:34Z)
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。