論文の概要: On the Volatility of Shapley-Based Contribution Metrics in Federated Learning

• arxiv url: http://arxiv.org/abs/2405.08044v3
• Date: Thu, 03 Apr 2025 13:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 17:09:26.680916
• Title: On the Volatility of Shapley-Based Contribution Metrics in Federated Learning
• Title（参考訳）: フェデレートラーニングにおけるシェープリーによるコントリビューション指標の変動性について
• Authors: Arno Geimer, Beltran Fiz, Radu State,
• Abstract要約: フェデレートラーニング(Federated Learning, FL)は、協調型およびプライバシ保護型機械学習パラダイムである。 FLにおける重要な課題は、多様な参加者からの貢献を公平かつ正確に割り当てることにある。 不正確な割り当ては信頼を損なう可能性があり、不公平な補償につながるため、参加者は連合への参加または積極的に貢献するインセンティブを欠く可能性がある。
• 参考スコア（独自算出の注目度）: 1.827018440608344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning (FL) is a collaborative and privacy-preserving Machine Learning paradigm, allowing the development of robust models without the need to centralize sensitive data. A critical challenge in FL lies in fairly and accurately allocating contributions from diverse participants. Inaccurate allocation can undermine trust, lead to unfair compensation, and thus participants may lack the incentive to join or actively contribute to the federation. Various remuneration strategies have been proposed to date, including auction-based approaches and Shapley-value-based methods, the latter offering a means to quantify the contribution of each participant. However, little to no work has studied the stability of these contribution evaluation methods. In this paper, we evaluate participant contributions in federated learning using gradient-based model reconstruction techniques with Shapley values and compare the round-based contributions to a classic data contribution measurement scheme. We provide an extensive analysis of the discrepancies of Shapley values across a set of aggregation strategies, and examine them on an overall and a per-client level. We show that, between different aggregation techniques, Shapley values lead to unstable reward allocations among participants. Our analysis spans various data heterogeneity distributions, including independent and identically distributed (IID) and non-IID scenarios.
• Abstract（参考訳）: Federated Learning(FL)は、協調的かつプライバシ保護の機械学習パラダイムであり、センシティブなデータを集中化することなく、堅牢なモデルの開発を可能にする。 FLにおける重要な課題は、多様な参加者からの貢献を公平かつ正確に割り当てることにある。 不正確な割り当ては信頼を損なう可能性があり、不公平な補償につながるため、参加者は連合への参加または積極的に貢献するインセンティブを欠く可能性がある。 オークションベースのアプローチやシェープ価値に基づく手法など、様々な報酬戦略が提案されており、後者は参加者の貢献を定量化する手段を提供している。 しかし,これらのコントリビューション評価手法の安定性についてはほとんど研究されていない。 本稿では,階層型モデル再構成手法とシェープリー値を用いたフェデレート学習へのコントリビューション評価を行い,古典的データコントリビューション測定手法におけるラウンドベースコントリビューションの比較を行った。 集約戦略の集合において,Shapley値の相違点を広範囲に分析し,それらを全体的,かつクライアント単位のレベルで検証する。 異なるアグリゲーション手法間では、Shapley値が参加者間で不安定な報酬配分をもたらすことが示される。 我々の分析は、独立および同一分散(IID)および非IIDシナリオを含む様々なデータ不均一性分布にまたがる。

関連論文リスト

• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• DPVS-Shapley:Faster and Universal Contribution Evaluation Component in Federated Learning [1.740992908651449]
  動的Pruning Validation Set Shapley (DPVS-Shapley) というコンポーネントを導入する。 本手法は, 評価精度を損なうことなく, 元のデータセットを動的に刈り取ることにより, コントリビューション評価プロセスの高速化を図る。
  論文  参考訳（メタデータ） (2024-10-19T13:01:44Z)
• CoAst: Validation-Free Contribution Assessment for Federated Learning based on Cross-Round Valuation [10.579048525756797]
  CoAstは、バリデーションデータにアクセスせずにコントリビューションを評価するための実用的な方法である。 CoAstは、既存のバリデーションベースのメソッドと同等の信頼性を持ち、既存のバリデーションフリーメソッドより優れている。
  論文  参考訳（メタデータ） (2024-09-04T07:46:28Z)
• Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques [65.55451717632317]
  PbMARL(Preference-based Multi-Agent Reinforcement Learning)について検討する。 一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ平衡を同定する。 以上の結果から,PbMARLの多面的アプローチが示唆された。
  論文  参考訳（メタデータ） (2024-09-01T13:14:41Z)
• Redefining Contributions: Shapley-Driven Federated Learning [3.9539878659683363]
  フェデレーテッド・ラーニング(FL)は、機械学習において重要なアプローチとして登場した。 参加者が平等に、あるいは正直に貢献しない場合、グローバルなモデル収束を保証することは困難です。 本稿では,FLにおけるコントリビューションの詳細な評価のために,ShapFedと呼ばれる新しいコントリビューションアセスメントアセスメント手法を提案する。
  論文  参考訳（メタデータ） (2024-06-01T22:40:31Z)
• Distribution-Free Fair Federated Learning with Small Samples [54.63321245634712]
  FedFaiREEは、分散化された環境で分散のないフェアラーニングのために小さなサンプルで開発された後処理アルゴリズムである。 公正性と精度の両面において厳密な理論的保証を提供し,実験結果により,提案手法の堅牢な実証検証を行う。
  論文  参考訳（メタデータ） (2024-02-25T17:37:53Z)
• Reinforcement Learning as a Catalyst for Robust and Fair Federated Learning: Deciphering the Dynamics of Client Contributions [6.318638597489423]
  Reinforcement Federated Learning (RFL)は、深い強化学習を活用して、集約中のクライアントコントリビューションを適応的に最適化する新しいフレームワークである。 堅牢性に関しては、RFLは同等の公平性を維持しつつ、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-02-08T10:22:12Z)
• Incentive Allocation in Vertical Federated Learning Based on Bankruptcy Problem [0.0]
  垂直連合学習(VFL)は、異なるパーティ間で垂直に分割されたプライベートデータを使用して、機械学習モデルを協調的にトレーニングするための有望なアプローチである。 本稿では,VFLプロセスへの貢献に基づいて,活動政党による受動的政党へのインセンティブ付与の問題に焦点をあてる。 我々は、この問題を、倒産問題として知られるヌクレロスゲーム理論の変種として定式化し、タルムードの除算則を用いて解決する。
  論文  参考訳（メタデータ） (2023-07-07T11:08:18Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Offline Reinforcement Learning with Instrumental Variables in Confounded Markov Decision Processes [93.61202366677526]
  未測定の共同設立者を対象にオフライン強化学習(RL)について検討した。 そこで本稿では, 最適クラスポリシーを見つけるための, 有限サンプルの準最適性を保証した多種多様なポリシー学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-18T22:03:55Z)
• Fair and efficient contribution valuation for vertical federated learning [49.50442779626123]
  フェデレートラーニング(Federated Learning)は、データを共有することなく、分散データソース上で機械学習モデルをトレーニングするための一般的な技術である。 シェープリー値(Shapley value, SV)は、協調ゲーム理論から派生した、証明可能なフェアコントリビューション評価指標である。 本稿では,SVに基づく垂直結合シェープ値(VerFedSV)と呼ばれるコントリビューション評価指標を提案する。
  論文  参考訳（メタデータ） (2022-01-07T19:57:15Z)
• GTG-Shapley: Efficient and Accurate Participant Contribution Evaluation in Federated Learning [25.44023017628766]
  Federated Learning(FL)は、コラボレーティブ機械学習とデータのプライバシ保護のギャップを埋めるものだ。 個人データを公開せずに最終FLモデルの性能に対する参加者の貢献を適切に評価することが不可欠である。 本稿では,この課題に対処するためのガイドトラニケーションのグラディエント・シェープ手法を提案する。
  論文  参考訳（メタデータ） (2021-09-05T12:17:00Z)
• Federated Robustness Propagation: Sharing Adversarial Robustness in Federated Learning [98.05061014090913]
  フェデレートラーニング(FL)は、生データを共有することなく、参加するユーザのセットから学習する、人気のある分散ラーニングスキーマとして登場した。 敵対的トレーニング(AT)は集中学習のための健全なソリューションを提供する。 既存のFL技術では,非IDユーザ間の対向的ロバスト性を効果的に広めることができないことを示す。 本稿では, バッチ正規化統計量を用いてロバスト性を伝達する, 単純かつ効果的な伝搬法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T15:52:33Z)
• FedH2L: Federated Learning with Model and Statistical Heterogeneity [75.61234545520611]
  フェデレートラーニング(FL)は、分散参加者が個々のデータのプライバシを犠牲にすることなく、強力なグローバルモデルを集合的に学習することを可能にする。 我々はFedH2Lを導入し、これはモデルアーキテクチャに非依存であり、参加者間で異なるデータ分散に対して堅牢である。 パラメータや勾配を共有するアプローチとは対照的に、FedH2Lは相互蒸留に依存し、参加者間で共有シードセットの後方のみを分散的に交換する。
  論文  参考訳（メタデータ） (2021-01-27T10:10:18Z)
• A Principled Approach to Data Valuation for Federated Learning [73.19984041333599]
  フェデレートラーニング(FL)は、分散データソース上で機械学習(ML)モデルをトレーニングする一般的なテクニックである。 Shapley value (SV) はデータ値の概念として多くのデシラタを満たすユニークなペイオフスキームを定義する。 本稿では,FL に対応する SV の変種を提案する。
  論文  参考訳（メタデータ） (2020-09-14T04:37:54Z)
• Collaborative Fairness in Federated Learning [24.7378023761443]
  深層学習のための新しい協調フェアフェデレーションラーニング(CFFL)フレームワークを提案する。 CFFLは参加者に異なるモデルに収束させ、予測性能を損なうことなく公正を達成する。 ベンチマークデータセットの実験では、CFFLは高い公正性を達成し、分散フレームワークに匹敵する精度を提供する。
  論文  参考訳（メタデータ） (2020-08-27T14:39:09Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)

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。