論文の概要: Federated Learning Incentive Mechanism under Buyers' Auction Market
- arxiv url: http://arxiv.org/abs/2309.05063v1
- Date: Sun, 10 Sep 2023 16:09:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 15:00:09.524729
- Title: Federated Learning Incentive Mechanism under Buyers' Auction Market
- Title（参考訳）: 買い手オークション市場におけるフェデレーション学習のインセンティブメカニズム
- Authors: Jiaxi Yang, Zihao Guo, Sheng Cao, Cuifang Zhao, Li-Chuan Tsai
- Abstract要約: オークションベースのフェデレートラーニング(AFL)は、利己的なデータコンシューマとデータオーナ間のオープンなコラボレーションを可能にする。
我々は、購入者の市場における価格変動を説明するために、調達オークションの枠組みに適応する。
信頼性とデータ品質の高いクライアントを選択し、外部からの攻撃を防ぐために、ブロックチェーンベースの評判メカニズムを利用する。
- 参考スコア（独自算出の注目度）: 2.316580879469592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Auction-based Federated Learning (AFL) enables open collaboration among
self-interested data consumers and data owners. Existing AFL approaches are
commonly under the assumption of sellers' market in that the service clients as
sellers are treated as scarce resources so that the aggregation servers as
buyers need to compete the bids. Yet, as the technology progresses, an
increasing number of qualified clients are now capable of performing federated
learning tasks, leading to shift from sellers' market to a buyers' market. In
this paper, we shift the angle by adapting the procurement auction framework,
aiming to explain the pricing behavior under buyers' market. Our modeling
starts with basic setting under complete information, then move further to the
scenario where sellers' information are not fully observable. In order to
select clients with high reliability and data quality, and to prevent from
external attacks, we utilize a blockchain-based reputation mechanism. The
experimental results validate the effectiveness of our approach.
- Abstract（参考訳）: オークションベースのフェデレートラーニング(AFL)は、利己的なデータ消費者とデータ所有者のオープンなコラボレーションを可能にする。
既存のAFLアプローチは、売り手としてのサービスクライアントが不足するリソースとして扱われ、アグリゲーションサーバが買い手として競う必要があるという、販売者の市場を前提としているのが一般的である。
しかし、技術が進歩するにつれて、より多くの資格を持つクライアントがフェデレーション学習タスクを実行できるようになり、売り手市場から買い手市場への移行に繋がる。
本稿では,購入者市場における価格動向を説明するため,調達オークションの枠組みを適応させることで,角度をシフトする。
我々のモデリングは、完全な情報の下で基本的な設定から始まり、売り手の情報が完全に観察できないシナリオへと進む。
信頼性とデータ品質の高いクライアントを選択し、外部からの攻撃を防ぐために、ブロックチェーンベースの評判メカニズムを利用する。
実験の結果,本手法の有効性が検証された。
関連論文リスト
- Federated Learning for Data Market: Shapley-UCB for Seller Selection and Incentives [0.3069335774032178]
本稿では,フェデレート学習アーキテクチャに基づくトランザクションフレームワークを提案し,販売者選択アルゴリズムとインセンティブ補償機構を設計する。
具体的には、グラデーション類似性とシェープリーアルゴリズムを用いて販売者の貢献度を正確に評価する。
トレーニング後、販売者のトレーニングへの参加に応じて公正な補償が行われる。
論文 参考訳（メタデータ） (2024-10-10T03:50:20Z) - Investigating Nudges toward Related Sellers on E-commerce Marketplaces: A Case Study on Amazon [15.11300652519899]
eコマース市場は世界中の何百万もの売り手にビジネスチャンスを提供する。
これらの売り手の中には、子会社のサービスを利用することで、マーケットプレースと特別な関係を持つ者もいる。
関連販売業者を総称して「関連販売業者」と呼ぶ。
論文 参考訳（メタデータ） (2024-07-01T19:05:40Z) - Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。
このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。
適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
論文 参考訳（メタデータ） (2024-03-21T14:48:37Z) - 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) - Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。
FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。
CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文 参考訳（メタデータ） (2023-12-23T03:31:46Z) - Seller-side Outcome Fairness in Online Marketplaces [8.29306513718005]
本稿では,売り手側の結果フェアネスの概念を導入し,収集したリコメンデーション報酬とフェアネス指標のバランスをとる最適化モデルを構築した。
実際のeコマースデータセットに関する数値実験では,収集したGross Merchandise Value(GMV)や総購入数といった指標を損なうことなく,販売者の公正度を測ることのできるアルゴリズムが示されている。
論文 参考訳（メタデータ） (2023-12-06T02:58:49Z) - Salespeople vs SalesBot: Exploring the Role of Educational Value in
Conversational Recommender Systems [78.84530426424838]
既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。
このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。
私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
論文 参考訳（メタデータ） (2023-10-26T19:44:06Z) - Equilibrium of Data Markets with Externality [5.383900608313559]
私たちは、売り手が固定価格を投稿し、買い手は売り手から自由に購入できる現実世界のデータ市場をモデル化します。
ここで重要な要素は、データ購入によって互いに負の外部性バイヤーが引き起こされることだ。
我々は、取引コストを通じて介入するプラットフォームが、強力な福祉保証を備えた純粋な均衡につながることを証明している。
論文 参考訳（メタデータ） (2023-02-16T00:57:49Z) - Knowledge-Aware Federated Active Learning with Non-IID Data [75.98707107158175]
本稿では,アノテーション予算に制限のあるグローバルモデルを効率的に学習するための,連合型アクティブラーニングパラダイムを提案する。
フェデレートされたアクティブラーニングが直面する主な課題は、サーバ上のグローバルモデルのアクティブサンプリング目標と、ローカルクライアントのアクティブサンプリング目標とのミスマッチである。
本稿では,KSAS (Knowledge-Aware Federated Active Learning) とKCFU (Knowledge-Compensatory Federated Update) を組み合わせた,知識対応型アクティブ・ラーニング(KAFAL)を提案する。
論文 参考訳（メタデータ） (2022-11-24T13:08:43Z) - OSOUM Framework for Trading Data Research [79.0383470835073]
私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。
我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。
データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
論文 参考訳（メタデータ） (2021-02-18T09:20:26Z)
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。