論文の概要: Free-Rider Games for Federated Learning with Selfish Clients in NextG Wireless Networks

• arxiv url: http://arxiv.org/abs/2212.11194v1
• Date: Wed, 21 Dec 2022 17:10:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 14:28:12.179335
• Title: Free-Rider Games for Federated Learning with Selfish Clients in NextG Wireless Networks
• Title（参考訳）: NextGワイヤレスネットワークにおける利己的なクライアントによるフェデレーション学習のためのフリーライダーゲーム
• Authors: Yalin E. Sagduyu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.1726528038065764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a game theoretic framework for participation and free-riding in federated learning (FL), and determines the Nash equilibrium strategies when FL is executed over wireless links. To support spectrum sensing for NextG communications, FL is used by clients, namely spectrum sensors with limited training datasets and computation resources, to train a wireless signal classifier while preserving privacy. In FL, a client may be free-riding, i.e., it does not participate in FL model updates, if the computation and transmission cost for FL participation is high, and receives the global model (learned by other clients) without incurring a cost. However, the free-riding behavior may potentially decrease the global accuracy due to lack of contribution to global model learning. This tradeoff leads to a non-cooperative game where each client aims to individually maximize its utility as the difference between the global model accuracy and the cost of FL participation. The Nash equilibrium strategies are derived for free-riding probabilities such that no client can unilaterally increase its utility given the strategies of its opponents remain the same. The free-riding probability increases with the FL participation cost and the number of clients, and a significant optimality gap exists in Nash equilibrium with respect to the joint optimization for all clients. The optimality gap increases with the number of clients and the maximum gap is evaluated as a function of the cost. These results quantify the impact of free-riding on the resilience of FL in NextG networks and indicate operational modes for FL participation.
• Abstract（参考訳）: 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フレームワークを提案するとともに,無線リンク上でFLを実行する場合のナッシュ均衡戦略を決定する。 nextg通信のスペクトルセンシングをサポートするために、flは、プライバシーを保ちながら無線信号分類器を訓練するために、限られたトレーニングデータセットと計算リソースを持つスペクトラムセンサというクライアントによって使用される。 FLでは、クライアントはフリーライディング(FLモデル更新)、すなわちFLモデルの更新には参加せず、FL参加の計算と送信コストが高く、コストを伴わずにグローバルモデル(他のクライアントが引き起こす)を受け取る。 しかし,この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。 このトレードオフは、各クライアントがグローバルモデル精度とFL参加コストの差として、そのユーティリティを個別に最大化する非協調ゲームにつながる。 ナッシュ均衡戦略は、相手の戦略が同じであることから、クライアントが一方的にその効用を増すことができないようなフリーライディング確率のために導出される。 FL参加コストとクライアント数によってフリーライド確率が増加し、すべてのクライアントのジョイント最適化に関してナッシュ均衡において重要な最適性ギャップが存在する。 クライアント数に応じて最適なギャップが増加し、最大ギャップがコストの関数として評価される。 これらの結果は,nextgネットワークにおけるflのレジリエンスに及ぼすフリーライドの影響を定量化し,fl参加のための運用モードを示す。

関連論文リスト

• Joint Age-based Client Selection and Resource Allocation for Communication-Efficient Federated Learning over NOMA Networks [8.030674576024952]
  FL(Federated Learning)では、分散クライアントは、自身のトレーニングデータをローカルに保持しながら、共有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,非直交多重アクセス(NOMA)を利用した無線ネットワーク上でのFLにおける各ラウンドの総時間消費を最小化することを目的とした,クライアント選択とリソース割り当ての協調最適化問題を定式化する。 さらに、各ラウンドで選択されていないクライアントのFLモデルを予測し、FL性能をさらに向上するために、サーバサイド人工知能ニューラルネットワーク(ANN)を提案する。
  論文  参考訳（メタデータ） (2023-04-18T13:58:16Z)
• Federated Learning as a Network Effects Game [32.264180198812745]
  Federated Learning (FL) は、ローカルデータを直接共有することなく、機械学習の精度を向上させるために、多くのクライアント間のコラボレーションを促進することを目的としている。 実際には、クライアントは、特にプライバシや計算などの問題に関連する潜在的なコストを考慮して、FLに参加することの恩恵を受けないかもしれません。 私たちはFLにおけるクライアントの振る舞いをネットワークエフェクトゲームとしてモデル化し、各クライアントの利点はネットワークに参加する他のクライアントに依存します。
  論文  参考訳（メタデータ） (2023-02-16T19:10:12Z)
• 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)
• 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)
• Dynamic Attention-based Communication-Efficient Federated Learning [85.18941440826309]
  フェデレートラーニング(FL)は、グローバル機械学習モデルをトレーニングするためのソリューションを提供する。 FLは、クライアントデータの分散が非IIDであるときに性能劣化に悩まされる。 本稿では,この劣化に対処するために,新しい適応トレーニングアルゴリズムであるtextttAdaFL$を提案する。
  論文  参考訳（メタデータ） (2021-08-12T14:18:05Z)
• 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)
• Enabling Long-Term Cooperation in Cross-Silo Federated Learning: A Repeated Game Perspective [16.91343945299973]
  Cross-silo Federated Learning (FL)は、クライアントがローカルデータをプライベートに保ちながら、グローバルモデルを協調的にトレーニングする分散学習アプローチである。 クライアントの長期的な利己的な参加行動は、無限に繰り返されるゲームとしてモデル化する。 我々は,モデルトレーニングのためのローカルデータの量を増やしつつ,フリーライダーの数を最小化するクライアントのための協調戦略を導出する。
  論文  参考訳（メタデータ） (2021-06-22T14:27:30Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)
• Convergence Time Optimization for Federated Learning over Wireless Networks [160.82696473996566]
  無線ユーザが(ローカル収集データを用いて訓練した)ローカルFLモデルを基地局(BS)に送信する無線ネットワークを考える。 中央コントローラとして機能するBSは、受信したローカルFLモデルを使用してグローバルFLモデルを生成し、それを全ユーザにブロードキャストする。 無線ネットワークにおけるリソースブロック(RB)の数が限られているため、ローカルFLモデルパラメータをBSに送信するために選択できるのは一部のユーザのみである。 各ユーザが独自のトレーニングデータサンプルを持っているため、BSは、収束したグローバルFLモデルを生成するために、すべてのローカルユーザFLモデルを含むことを好んでいる。
  論文  参考訳（メタデータ） (2020-01-22T01:55:12Z)

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。