論文の概要: Intelligent Agents for Auction-based Federated Learning: A Survey

• arxiv url: http://arxiv.org/abs/2404.13244v1
• Date: Sat, 20 Apr 2024 03:05:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 19:49:10.315845
• Title: Intelligent Agents for Auction-based Federated Learning: A Survey
• Title（参考訳）: オークション型フェデレーション学習のための知的エージェント:調査
• Authors: Xiaoli Tang, Han Yu, Xiaoxiao Li, Sarit Kraus,
• Abstract要約: オークションベースのフェデレーション学習(AFL)は、FLインセンティブメカニズム設計の新たなカテゴリである。 AFL (Intelligent Agents for AFL) の文献を対象とした第1回調査を行った。
• 参考スコア（独自算出の注目度）: 41.4320233892375
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Auction-based federated learning (AFL) is an important emerging category of FL incentive mechanism design, due to its ability to fairly and efficiently motivate high-quality data owners to join data consumers' (i.e., servers') FL training tasks. To enhance the efficiency in AFL decision support for stakeholders (i.e., data consumers, data owners, and the auctioneer), intelligent agent-based techniques have emerged. However, due to the highly interdisciplinary nature of this field and the lack of a comprehensive survey providing an accessible perspective, it is a challenge for researchers to enter and contribute to this field. This paper bridges this important gap by providing a first-of-its-kind survey on the Intelligent Agents for AFL (IA-AFL) literature. We propose a unique multi-tiered taxonomy that organises existing IA-AFL works according to 1) the stakeholders served, 2) the auction mechanism adopted, and 3) the goals of the agents, to provide readers with a multi-perspective view into this field. In addition, we analyse the limitations of existing approaches, summarise the commonly adopted performance evaluation metrics, and discuss promising future directions leading towards effective and efficient stakeholder-oriented decision support in IA-AFL ecosystems.
• Abstract（参考訳）: オークションベースのフェデレーション・ラーニング(AFL)はFLインセンティブ・メカニズム設計の重要な分野であり、高品質なデータ・オーナーがデータ・コンシューマー(すなわちサーバ)のFLトレーニング・タスクに参加することを公平かつ効率的に動機付ける能力がある。 利害関係者(すなわちデータ消費者、データ所有者、オークション業者)に対するAFL意思決定支援の効率を高めるために、インテリジェントエージェントベースの技術が出現した。 しかし、この分野の非常に学際的な性質と、アクセス可能な視点を提供する総合的な調査が欠如していることから、研究者がこの分野に参入して貢献することは困難である。 本稿では,AI-AFL(Intelligent Agents for AFL)文献に関する第1回調査を通じて,この重要なギャップを埋める。 既存のIA-AFLの動作を整理する独自の多層分類法を提案する。 1)利害関係者は, 2 競売の仕組みが採用され、及び 3)エージェントの目的は,読者にこの分野に対する多視点的な視点を提供することである。 さらに,既存手法の限界を分析し,広く採用されている性能評価指標を要約し,IA-AFLエコシステムにおける効果的かつ効率的な利害関係者主導の意思決定支援に向けた将来的な方向性について議論する。

関連論文リスト

• Agent-oriented Joint Decision Support for Data Owners in Auction-based Federated Learning [32.6997332038178]
  オークションベースのフェデレートラーニング(Federated Learning, AFL)は、データ所有者(DO)が経済的手段でFLに参加することを動機付ける能力から、幅広い研究の関心を集めている。 AFL(PAS-AFL)におけるデータ所有者のための一級エージェント指向共同価格・受け入れ・サブデリゲーション決定支援手法を提案する。 各 DO が複数の FL タスクを同時に実行して DO の高収入化と AFL エコシステムにおける FL タスクのスループット向上を可能にするのは,これが初めてである。
  論文  参考訳（メタデータ） (2024-05-09T02:35:46Z)
• Large Multimodal Agents: A Survey [78.81459893884737]
  大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。 LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。 本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-23T06:04:23Z)
• Human-in-the-loop Fairness: Integrating Stakeholder Feedback to Incorporate Fairness Perspectives in Responsible AI [4.0247545547103325]
  公正は人工知能(AI)を用いたリスクの高い意思決定への関心が高まっている 普遍的に受け入れられる公正度尺度はなく、公正性は文脈依存であり、公正と見なされるものに関して矛盾する視点があるかもしれない。 私たちの作業は、ステークホルダーが特定の決定インスタンスとその公正性に関する結果に対してフィードバックをすることができるアプローチに従っています。
  論文  参考訳（メタデータ） (2023-12-13T11:17:29Z)
• An In-depth Survey of Large Language Model-based Artificial Intelligence Agents [11.774961923192478]
  LLMベースのAIエージェントと従来のAIエージェントの主な違いと特徴について検討した。 我々は、計画、記憶、ツール使用を含むAIエージェントの重要なコンポーネントについて、詳細な分析を行った。
  論文  参考訳（メタデータ） (2023-09-23T11:25:45Z)
• CLIP-based Synergistic Knowledge Transfer for Text-based Person Retrieval [66.93563107820687]
  個人検索(TPR)のためのCLIPベースのSynergistic Knowledge Transfer(CSKT)アプローチを提案する。 入力側でCLIPの知識を探索するために、まず、テキスト・ツー・イメージと画像・ツー・テキストの双方向プロンプトと結合プロンプトによって構築された双方向プロンプト転送(BPT)モジュールを提案する。 CSKTは、トレーニングパラメータがモデル全体の7.4%を占めるだけで、3つのベンチマークデータセットで最先端のアプローチを上回っている。
  論文  参考訳（メタデータ） (2023-09-18T05:38:49Z)
• Utility-Maximizing Bidding Strategy for Data Consumers in Auction-based Federated Learning [14.410324763825733]
  オークションベースのフェデレートラーニング(Federated Learning, AFL)は、データ所有者が経済的手段でFLに参加する動機付け能力によって、幅広い研究の関心を集めている。 本稿では、フェデレートラーニングにおけるデータ消費者のための実用性最優先入札戦略(Fed-Bidder)を提案する。
  論文  参考訳（メタデータ） (2023-05-11T13:16:36Z)
• VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
  本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。 具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。 当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-31T17:45:30Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Towards Fairness-Aware Federated Learning [19.73772410934193]
  本稿では,フェデレートラーニングの大きなステップをカバーするFairness-Aware Federated Learning (FAFL) アプローチの分類法を提案する。 FAFLアプローチの性能を実験的に評価するための主要な指標について論じる。
  論文  参考訳（メタデータ） (2021-11-02T20:20:28Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)

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。