論文の概要: An Auction-based Marketplace for Model Trading in Federated Learning
- arxiv url: http://arxiv.org/abs/2402.01802v1
- Date: Fri, 2 Feb 2024 07:25:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 01:52:00.730927
- Title: An Auction-based Marketplace for Model Trading in Federated Learning
- Title（参考訳）: 連合学習におけるモデル取引のためのオークションベースの市場
- Authors: Yue Cui, Liuyi Yao, Yaliang Li, Ziqian Chen, Bolin Ding, Xiaofang Zhou
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 54.79736037670377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning (FL) is increasingly recognized for its efficacy in
training models using locally distributed data. However, the proper valuation
of shared data in this collaborative process remains insufficiently addressed.
In this work, we frame FL as a marketplace of models, where clients act as both
buyers and sellers, engaging in model trading. This FL market allows clients to
gain monetary reward by selling their own models and improve local model
performance through the purchase of others' models. We propose an auction-based
solution to ensure proper pricing based on performance gain. Incentive
mechanisms are designed to encourage clients to truthfully reveal their model
valuations. Furthermore, we introduce a reinforcement learning (RL) framework
for marketing operations, aiming to achieve maximum trading volumes under the
dynamic and evolving market status. Experimental results on four datasets
demonstrate that the proposed FL market can achieve high trading revenue and
fair downstream task accuracy.
- Abstract（参考訳）: フェデレーション学習(fl)は,局所分散データを用いたトレーニングモデルの有効性がますます認識されている。
しかし、この協調プロセスにおける共有データの適切な評価は未だ不十分である。
この作業では、クライアントが購入者と販売者の両方として振る舞う、モデル取引のマーケットプレースとしてflを取り上げます。
このflマーケットは、顧客が自身のモデルを販売し、他人のモデルを購入してローカルモデルのパフォーマンスを向上させることで、金銭的な報酬を得ることができる。
性能向上に基づく適切な価格設定を実現するためのオークションベースのソリューションを提案する。
インセンティブメカニズムは、クライアントがモデル評価を真に明らかにするように設計されている。
さらに,動的かつ発展途上の市場状況下での取引量の最大化を目指す,マーケティング活動のための強化学習(rl)フレームワークを提案する。
4つのデータセットによる実験結果から,提案するFL市場は高い取引収益と公平な下流タスクの精度を達成できることが示された。
関連論文リスト
- An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。
従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。
我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
論文 参考訳（メタデータ） (2024-04-29T05:55:23Z) - 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) - FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。
我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
論文 参考訳（メタデータ） (2024-02-10T18:14:57Z) - Federated Learning While Providing Model as a Service: Joint Training
and Inference Optimization [30.305956110710266]
フェデレーション学習は、分散クライアント間のモデルのトレーニングを可能にする上で有益である。
既存の作業は、クライアントの限られたリソースの下でのモデルトレーニングと推論の共存を見落としている。
本稿では,クライアントにおける推論性能を最大化するために,モデルトレーニングと推論の協調最適化に焦点を当てる。
論文 参考訳（メタデータ） (2023-12-20T09:27:09Z) - Incentive Mechanism Design for Unbiased Federated Learning with
Randomized Client Participation [31.2017942327673]
本稿では,ランダムなクライアント参加を伴うフェデレーション学習(FL)のためのゲーム理論インセンティブ機構を提案する。
我々は,サーバのモデル性能向上とクライアントの利益向上を両立させることを実証した。
論文 参考訳（メタデータ） (2023-04-17T04:05:57Z) - Fine-tuning Global Model via Data-Free Knowledge Distillation for
Non-IID Federated Learning [86.59588262014456]
フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。
サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。
私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
論文 参考訳（メタデータ） (2022-03-17T11:18:17Z) - A Marketplace for Trading AI Models based on Blockchain and Incentives
for IoT Data [24.847898465750667]
機械学習(ML)の新たなパラダイムは、学習モデルを異種エージェントのグループに部分的に配信するフェデレートされたアプローチであり、エージェントは自身のデータでモデルをローカルにトレーニングすることができる。
モデルの評価の問題や、協調トレーニングやデータ/モデルの取引に対するインセンティブの問題は、文献において限られた扱いを受けてきた。
本稿では、信頼されたMLベースのネットワーク上でのMLモデルトレーディングの新しいエコシステムを提案する。買い手はML市場から関心のモデルを取得することができ、興味のある売り手はそのモデルの品質を高めるためにローカルな計算に費やす。
論文 参考訳（メタデータ） (2021-12-06T08:52:42Z) - 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) - FL-Market: Trading Private Models in Federated Learning [19.11812014629085]
既存のモデルマーケットプレースでは、ブローカーがデータ所有者のプライベートトレーニングデータにアクセスできると仮定している。
FL-Marketは,モデル購入者だけでなく,信頼できないブローカーに対してプライバシを保護する,ローカルプライベートモデルマーケットプレースである。
論文 参考訳（メタデータ） (2021-06-08T14:14:24Z)
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。