論文の概要: Collaboration in Participant-Centric Federated Learning: A Game-Theoretical Perspective

• arxiv url: http://arxiv.org/abs/2207.12030v1
• Date: Mon, 25 Jul 2022 10:12:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 15:49:00.920439
• Title: Collaboration in Participant-Centric Federated Learning: A Game-Theoretical Perspective
• Title（参考訳）: 参加型フェデレーション学習における協調 : ゲーム理論の視点から
• Authors: Guangjing Huang and Xu Chen and Tao Ouyang and Qian Ma and Lin Chen and Junshan Zhang
• Abstract要約: Federated Learning(FL)は、協調人工知能モデルトレーニングのための有望な分散フレームワークである。 重要な研究の注目を集めているブートストラップコンポーネントは、FLにおけるユーザの協調を刺激するインセンティブメカニズムの設計である。 共通の関心のためにFLモデルを追求するために、参加者間の参加者中心のコラボレーションを鍛えることを検討する作業はほとんどない。 本稿では, 参加者中心のFLに対して, 効果的かつ効率的なコラボレーションを促すための新しい分析フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 29.06665697241795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) is a promising distributed framework for collaborative artificial intelligence model training while protecting user privacy. A bootstrapping component that has attracted significant research attention is the design of incentive mechanism to stimulate user collaboration in FL. The majority of works adopt a broker-centric approach to help the central operator to attract participants and further obtain a well-trained model. Few works consider forging participant-centric collaboration among participants to pursue an FL model for their common interests, which induces dramatic differences in incentive mechanism design from the broker-centric FL. To coordinate the selfish and heterogeneous participants, we propose a novel analytic framework for incentivizing effective and efficient collaborations for participant-centric FL. Specifically, we respectively propose two novel game models for contribution-oblivious FL (COFL) and contribution-aware FL (CAFL), where the latter one implements a minimum contribution threshold mechanism. We further analyze the uniqueness and existence for Nash equilibrium of both COFL and CAFL games and design efficient algorithms to achieve equilibrium solutions. Extensive performance evaluations show that there exists free-riding phenomenon in COFL, which can be greatly alleviated through the adoption of CAFL model with the optimized minimum threshold.
• Abstract（参考訳）: Federated Learning(FL)は、ユーザのプライバシ保護と協調的な人工知能モデルのトレーニングのための、有望な分散フレームワークである。 重要な研究の注目を集めているブートストラップコンポーネントは、flのユーザコラボレーションを促進するインセンティブメカニズムの設計である。 ほとんどの研究はブローカー中心のアプローチを採用し、中央オペレーターが参加者を引き付け、さらに訓練されたモデルを得るのを助ける。 参加者が共通の関心のためにflモデルを追求するために参加者中心のコラボレーションを鍛えることを考慮している作品はほとんどなく、これはブローカー中心のflからインセンティブ機構設計の劇的な違いを引き起こす。 利己的で異質な参加者を協調させるために,参加者中心flの効果的かつ効率的なコラボレーションをインセンティブ化する新しい分析フレームワークを提案する。 具体的には,cofl(contribution-oblivious fl)とcafl(contribution-aware fl)の2つのゲームモデルを提案する。 さらに,COFLゲームとCAFLゲームの両方のナッシュ均衡の特異性と存在を解析し,平衡解を実現するための効率的なアルゴリズムを設計する。 広範囲な性能評価の結果,COFLには自由乾燥現象があり,最小限の閾値を最適化したCAFLモデルの導入により大幅に緩和できることがわかった。

関連論文リスト

• Redefining Contributions: Shapley-Driven Federated Learning [3.9539878659683363]
  フェデレーテッド・ラーニング(FL)は、機械学習において重要なアプローチとして登場した。 参加者が平等に、あるいは正直に貢献しない場合、グローバルなモデル収束を保証することは困難です。 本稿では,FLにおけるコントリビューションの詳細な評価のために,ShapFedと呼ばれる新しいコントリビューションアセスメントアセスメント手法を提案する。
  論文  参考訳（メタデータ） (2024-06-01T22:40:31Z)
• FedSAC: Dynamic Submodel Allocation for Collaborative Fairness in Federated Learning [46.30755524556465]
  協調フェアネスのための動的サブモデルアロケーションを備えた新しいフェデレーション学習フレームワークであるFedSACを提案する。 等価性を理論的に保証したサブモデルアロケーションモジュールを開発する。 3つの公開ベンチマークで行った実験は、FedSACが全てのベースライン法を公平性とモデル精度の両方で上回っていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T15:43:29Z)
• FedCompetitors: Harmonious Collaboration in Federated Learning with Competing Participants [41.070716405671206]
  フェデレートラーニング(FL)は、機械学習モデルの協調トレーニングのためのプライバシ保護アプローチを提供する。 データ補完性に基づいて各FL参加者に対して適切な協力者を選択することが重要である。 一部のFL-PTが競合するFL-PT間の個人間関係を考えることは必須である。
  論文  参考訳（メタデータ） (2023-12-18T17:53:01Z)
• Deep Equilibrium Models Meet Federated Learning [71.57324258813675]
  本研究では,従来の深層学習ネットワークの代わりにDeep Equilibrium(DEQ)モデルを用いて,フェデレートラーニング(FL)問題について検討する。 我々は、DECモデルをフェデレート学習フレームワークに組み込むことで、FLのいくつかのオープンな問題に自然に対処できると主張している。 我々の知る限りでは、この研究は、DECモデルとフェデレーションラーニングの関連性を確立する最初のものである。
  論文  参考訳（メタデータ） (2023-05-29T22:51:40Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Welfare and Fairness Dynamics in Federated Learning: A Client Selection Perspective [1.749935196721634]
  Federated Learning(FL)は、分散コンピューティングデバイスが共有学習モデルのトレーニングを可能にする、プライバシ保護学習技術である。 公正さやインセンティブといった顧客に対する経済的配慮は、まだ完全には検討されていない。 低品質なクライアントを除去するためのクライアント選択プロセスと、公正な報酬配分を保証するための送金プロセスを含む、新たなインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2023-02-17T16:31:19Z)
• Efficient Split-Mix Federated Learning for On-Demand and In-Situ Customization [107.72786199113183]
  フェデレートラーニング(FL)は、複数の参加者が生データを共有せずに学習をコラボレーションするための分散ラーニングフレームワークを提供する。 本稿では, モデルサイズとロバスト性をその場でカスタマイズできる, 不均一な参加者のための新しいスプリット・ミクス・FL戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-18T04:58:34Z)
• 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)
• An Incentive Mechanism for Federated Learning in Wireless Cellular network: An Auction Approach [75.08185720590748]
  Federated Learning(FL)は、機械学習の分散問題に対処できる分散学習フレームワークである。 本稿では,1つの基地局(BS)と複数のモバイルユーザを含むFLシステムについて考察する。 我々は,BSとモバイルユーザの間のインセンティブメカニズムを,BSが競売業者であり,モバイルユーザが売り手であるオークションゲームとして定式化する。
  論文  参考訳（メタデータ） (2020-09-22T01:50:39Z)

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。