論文の概要: Defection-Free Collaboration between Competitors in a Learning System
- arxiv url: http://arxiv.org/abs/2406.15898v1
- Date: Sat, 22 Jun 2024 17:29:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-25 20:03:15.645057
- Title: Defection-Free Collaboration between Competitors in a Learning System
- Title（参考訳）: 学習システムにおける競合者間の欠陥のない協調
- Authors: Mariel Werner, Sai Praneeth Karimireddy, Michael I. Jordan,
- Abstract要約: 協力によって収益を失うと、参加者がシステムから外れる競合相手となる協調学習システムについて検討する。
我々は、両社が利益を失わずに相互に共有する、より公平で*欠陥のない*スキームを提案する。
- 参考スコア（独自算出の注目度）: 61.22540496065961
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study collaborative learning systems in which the participants are competitors who will defect from the system if they lose revenue by collaborating. As such, we frame the system as a duopoly of competitive firms who are each engaged in training machine-learning models and selling their predictions to a market of consumers. We first examine a fully collaborative scheme in which both firms share their models with each other and show that this leads to a market collapse with the revenues of both firms going to zero. We next show that one-sided collaboration in which only the firm with the lower-quality model shares improves the revenue of both firms. Finally, we propose a more equitable, *defection-free* scheme in which both firms share with each other while losing no revenue, and we show that our algorithm converges to the Nash bargaining solution.
- Abstract（参考訳）: 協力によって収益を失うと、参加者がシステムから外れる競合相手となる協調学習システムについて検討する。
そこで我々は,このシステムを,それぞれが機械学習モデルをトレーニングし,その予測を消費者市場に販売する競合企業の二重企業として位置づける。
まず、両社がモデルを互いに共有する、完全に協調的なスキームを調べ、両社の収益がゼロになるにつれて市場が崩壊することを示す。
次に、低品質モデルを共有する企業のみによる一方的なコラボレーションによって、両社の収益が向上することを示す。
最後に,両企業が収益を損なわずに相互に共有する,より公平な*欠陥のない*スキームを提案し,我々のアルゴリズムがナッシュ取引ソリューションに収束することを示す。
関連論文リスト
- Are we making progress in unlearning? Findings from the first NeurIPS unlearning competition [70.60872754129832]
アンラーニングに関する最初のNeurIPSコンペティションは、新しいアルゴリズムの開発を刺激しようとした。
世界中から約1200チームが参加した。
トップソリューションを分析し、アンラーニングのベンチマークに関する議論を掘り下げます。
論文 参考訳（メタデータ） (2024-06-13T12:58:00Z) - Incentivizing Honesty among Competitors in Collaborative Learning and
Optimization [5.4619385369457225]
協調学習技術は、単一のエンティティのデータでトレーニングされたモデルよりも優れた機械学習モデルを可能にする可能性がある。
多くの場合、このような協調的なスキームの潜在的な参加者は、下流のタスクで競合する。
論文 参考訳（メタデータ） (2023-05-25T17:28:41Z) - Strategic Data Sharing between Competitors [4.8951183832371]
このデータ共有トレードオフを分析するための一般的なフレームワークを紹介します。
経済理論から従来の市場モデルに基づくフレームワークのインスタンス化について検討する。
以上の結果から,市場環境がデータ共有インセンティブに大きく影響していることが示唆された。
論文 参考訳（メタデータ） (2023-05-25T13:34:12Z) - Finding Regularized Competitive Equilibria of Heterogeneous Agent
Macroeconomic Models with Reinforcement Learning [151.03738099494765]
労働市場に参入する世帯や企業を無限に数える異種エージェントマクロ経済モデルについて検討する。
本稿では,モデルの正規化競争均衡を求めるデータ駆動強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-24T17:16:27Z) - Decentralized, Communication- and Coordination-free Learning in
Structured Matching Markets [2.9833943723592764]
両面マッチング市場における競争環境におけるオンライン学習の問題について検討する。
本稿では、エージェントが安定したマッチングに到達できるように、分散化、通信、調整不要なアルゴリズムのクラスを提案する。
論文 参考訳（メタデータ） (2022-06-06T04:08:04Z) - Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。
私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
論文 参考訳（メタデータ） (2021-08-19T17:59:28Z) - One for One, or All for All: Equilibria and Optimality of Collaboration
in Federated Learning [24.196114621742705]
本論文では,ゲーム理論の概念に触発されて,フェデレーション学習におけるインセンティブ認識学習とデータ共有のためのフレームワークを提案する。
安定でうらやましい平衡は、学習目標を達成することに関心のあるエージェントの存在下でのコラボレーションの概念を捉えます。
論文 参考訳（メタデータ） (2021-03-04T18:53:17Z) - Predicting Individual Treatment Effects of Large-scale Team Competitions
in a Ride-sharing Economy [47.47879093076968]
私たちは、主要なライドシェアリングプラットフォームによって組織された500以上の大規模なチームコンペティションから収集されたデータを分析します。
特徴と予測器を慎重に調査することで,サンプル外予測誤差を24%以上削減できる。
シミュレーション分析により、いくつかの競合設計オプションを変更するだけで、実際の競合に対する平均的な治療効果が最大26%増加することが予測されている。
論文 参考訳（メタデータ） (2020-08-07T22:01:50Z) - Competing Bandits: The Perils of Exploration Under Competition [99.68537519404727]
オンラインプラットフォーム上での探索と競争の相互作用について検討する。
私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。
競争を弱めるための2つのチャンネルについて検討する。
論文 参考訳（メタデータ） (2020-07-20T14:19:08Z)
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。