論文の概要: Agent-oriented Joint Decision Support for Data Owners in Auction-based Federated Learning
- arxiv url: http://arxiv.org/abs/2405.05991v1
- Date: Thu, 9 May 2024 02:35:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-13 17:36:09.285139
- Title: Agent-oriented Joint Decision Support for Data Owners in Auction-based Federated Learning
- Title(参考訳): オークション型フェデレーション学習におけるデータ所有者のためのエージェント指向共同意思決定支援
- Authors: Xiaoli Tang, Han Yu, Xiaoxiao Li,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 32.6997332038178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Auction-based Federated Learning (AFL) has attracted extensive research interest due to its ability to motivate data owners (DOs) to join FL through economic means. While many existing AFL methods focus on providing decision support to model users (MUs) and the AFL auctioneer, decision support for data owners remains open. To bridge this gap, we propose a first-of-its-kind agent-oriented joint Pricing, Acceptance and Sub-delegation decision support approach for data owners in AFL (PAS-AFL). By considering a DO's current reputation, pending FL tasks, willingness to train FL models, and its trust relationships with other DOs, it provides a systematic approach for a DO to make joint decisions on AFL bid acceptance, task sub-delegation and pricing based on Lyapunov optimization to maximize its utility. It is the first to enable each DO to take on multiple FL tasks simultaneously to earn higher income for DOs and enhance the throughput of FL tasks in the AFL ecosystem. Extensive experiments based on six benchmarking datasets demonstrate significant advantages of PAS-AFL compared to six alternative strategies, beating the best baseline by 28.77% and 2.64% on average in terms of utility and test accuracy of the resulting FL models, respectively.
- 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(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。
既存のAFLメソッドの多くは、モデルユーザ(MU)とAFLオークション者に決定サポートを提供することに重点を置いているが、データ所有者に対する決定サポートは依然としてオープンである。
このギャップを埋めるため、AFL(PAS-AFL)におけるデータ所有者に対して、第一種エージェント指向の共同価格設定、アクセプタンス、サブデリゲーション決定支援手法を提案する。
DOの現在の評判、FLタスクの保留、FLモデルを訓練する意思、および他のDOとの信頼関係を考慮することで、DOがAFL入札の受諾、タスクサブデリゲーション、Lyapunov最適化に基づく価格設定について共同決定を行うための体系的なアプローチを提供する。
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。
6つのベンチマークデータセットに基づく大規模な実験は、6つの代替戦略と比較してPAS-AFLの顕著な利点を示し、それぞれFLモデルの実用性およびテスト精度の点で、最高のベースラインを28.77%、平均2.64%上回った。
関連論文リスト
- How Can Incentives and Cut Layer Selection Influence Data Contribution in Split Federated Learning? [49.16923922018379]
スプリット・フェデレーション・ラーニング(SFL)は、フェデレーションとスプリット・ラーニングの利点を組み合わせることで、有望なアプローチとして登場した。
階層的意思決定手法を用いて,単一リーダマルチフォロワStackelbergゲームとして定式化された問題をモデル化する。
以上の結果から,Stackelberg平衡解はクライアントとSFLモデル所有者の両方の実用性を最大化することがわかった。
論文 参考訳(メタデータ) (2024-12-10T06:24:08Z) - Intelligent Agents for Auction-based Federated Learning: A Survey [41.4320233892375]
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。
論文 参考訳(メタデータ) (2024-04-20T03:05:25Z) - 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) - Multi-Session Budget Optimization for Forward Auction-based Federated
Learning [17.546044136396468]
近年,オークションベースのフェデレートラーニング (Federated Learning, AFL) が重要な研究分野となっている。
我々は,事前オークションに基づくフェデレートラーニング(MultiBOS-AFL)のためのマルチセッション予算最適化戦略を提案する。
階層的強化学習に基づいて、MultiBOS-AFLは、AFL MUのセッション間予算ペーシングとセッション内入札を共同で最適化する。
論文 参考訳(メタデータ) (2023-11-21T11:57:41Z) - Hire When You Need to: Gradual Participant Recruitment for Auction-based
Federated Learning [16.83897148104]
フェデレートラーニング(GPS-AFL)のための段階的参加者選択方式を提案する。
GPS-AFLは、反復的な相互作用によってより多くの情報が明らかになるにつれて、必要なDOを複数の訓練ラウンドで徐々に選択する。
評価に基づくFLにおける選択バイアスの欠点を軽減しつつ、コスト削減と性能向上のバランスをとるように設計されている。
論文 参考訳(メタデータ) (2023-10-04T08:19:04Z) - 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) - 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) - 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)
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。