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
- 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) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳(メタデータ) (2023-09-14T03:48:27Z) - Causal Analysis of Customer Churn Using Deep Learning [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。
本稿では,ディープフィードフォワードニューラルネットワークを用いた分類手法を提案する。
また,顧客を混乱させる原因を予測するための因果ベイズネットワークを提案する。
論文 参考訳(メタデータ) (2023-04-20T18:56:13Z) - 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) - Prior-Free Auctions for the Demand Side of Federated Learning [0.76146285961466]
連合学習は、分散クライアントがセンシティブなトレーニングデータを共有することなく、共有機械学習モデルを学ぶことを可能にする。
自己関心のある顧客から金銭的貢献を集めるためのメカニズムfipfaを提案する。
MNISTデータセット上で実験を行い、FIPFAおよびFIPFAのインセンティブ特性に基づいて顧客のモデル品質をテストします。
論文 参考訳(メタデータ) (2021-03-26T10:22:18Z) - 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。