論文の概要: DualGFL: Federated Learning with a Dual-Level Coalition-Auction Game

• arxiv url: http://arxiv.org/abs/2412.15492v1
• Date: Fri, 20 Dec 2024 02:13:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:19:53.902271
• Title: DualGFL: Federated Learning with a Dual-Level Coalition-Auction Game
• Title（参考訳）: DualGFL:Dual-Level Coalition-Auction Gameによるフェデレーションラーニング
• Authors: Xiaobing Chen, Xiangwei Zhou, Songyang Zhang, Mingxuan Sun,
• Abstract要約: 協調競争環境におけるデュアルレベルゲームを用いた新しいフェデレーション学習フレームワークを提案する。 DualGFLには、クライアントが連立を結成する低レベルのヘドニックゲームと、連立者が参加を競う上位レベルのマルチアトリビュートオークションゲームが含まれている。
• 参考スコア（独自算出の注目度）: 30.79887319805583
• License:
• Abstract: Despite some promising results in federated learning using game-theoretical methods, most existing studies mainly employ a one-level game in either a cooperative or competitive environment, failing to capture the complex dynamics among participants in practice. To address this issue, we propose DualGFL, a novel Federated Learning framework with a Dual-level Game in cooperative-competitive environments. DualGFL includes a lower-level hedonic game where clients form coalitions and an upper-level multi-attribute auction game where coalitions bid for training participation. At the lower-level DualGFL, we introduce a new auction-aware utility function and propose a Pareto-optimal partitioning algorithm to find a Pareto-optimal partition based on clients' preference profiles. At the upper-level DualGFL, we formulate a multi-attribute auction game with resource constraints and derive equilibrium bids to maximize coalitions' winning probabilities and profits. A greedy algorithm is proposed to maximize the utility of the central server. Extensive experiments on real-world datasets demonstrate DualGFL's effectiveness in improving both server utility and client utility.
• Abstract（参考訳）: ゲーム理論的手法を用いた連合学習の有望な成果にもかかわらず、既存の研究の多くは、主に協調的または競争的な環境で1段階のゲームを使用しており、実際には参加者間の複雑なダイナミクスを捉えていない。 本稿では,協調競争環境におけるデュアルレベルゲームを用いた新しいフェデレート学習フレームワークであるDualGFLを提案する。 DualGFLには、クライアントが連立を結成する低レベルのヘドニックゲームと、連立者が参加を競う上位レベルのマルチアトリビュートオークションゲームが含まれている。 低レベルのDualGFLでは、新しいオークション対応ユーティリティ機能を導入し、クライアントの好みプロファイルに基づいたパレート最適パーティショニングを求めるパレート最適パーティショニングアルゴリズムを提案する。 上位のDualGFLでは、資源制約のある多属性オークションゲームを定式化し、連立政権の勝利確率と利益を最大化するための均衡入札を導出する。 中央サーバの有用性を最大化するために, 欲求アルゴリズムを提案する。 実世界のデータセットに関する大規模な実験は、サーバユーティリティとクライアントユーティリティの両方を改善するDualGFLの有効性を示している。

関連論文リスト

• Towards Active Participant-Centric Vertical Federated Learning: Some Representations May Be All You Need [0.0]
  VFL(Vertical Federated Learning)に新たなシンプルなアプローチを導入する。 Active Participant-Centric VFLは、アクティブな参加者が非協力的な方法で推論を行うことを可能にする。 この方法は、教師なし表現学習と知識蒸留を統合し、従来のVFL法に匹敵する精度を実現する。
  論文  参考訳（メタデータ） (2024-10-23T08:07:00Z)
• pFedGame -- Decentralized Federated Learning using Game Theory in Dynamic Topology [1.1970409518725493]
  pFedGameは、時間的動的ネットワークに適した分散フェデレーション学習のために提案されている。 提案アルゴリズムは集約のための集中型サーバを使わずに動作する。 pFedGameの性能を評価する実験は、不均一なデータに対して70%以上の精度で有望な結果を示した。
  論文  参考訳（メタデータ） (2024-10-05T06:39:16Z)
• A-FedPD: Aligning Dual-Drift is All Federated Primal-Dual Learning Needs [57.35402286842029]
  本稿では,グローバルクライアントとローカルクライアントの仮想二重配向を構成する新しいアラインドデュアルデュアル(A-FedPD)手法を提案する。 本稿では,A-FedPD方式の非集中型セキュリティコンセンサスに対する効率を包括的に分析する。
  論文  参考訳（メタデータ） (2024-09-27T17:00:32Z)
• Design of Two-Level Incentive Mechanisms for Hierarchical Federated Learning [14.415051383317788]
  我々は、HFLトレーニングにおいて、各階層におけるエンティティの参加を促進するために、2階層の計算構造を持つ2段階のHFLインセンティブ機構を設計する。 上層ゲームでは,エッジサーバのエッジアグリゲーション数を最大化するために最適なエッジアグリゲーション数を決定できるStackelbergゲームアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-04-09T05:10:05Z)
• GTFLAT: Game Theory Based Add-On For Empowering Federated Learning Aggregation Techniques [0.3867363075280543]
  GTFLATはゲーム理論に基づくアドオンであり、重要な研究課題に対処する。 モデル集約フェーズにおける平均化に対してより効果的な適応重みを設定することにより、フェデレーション学習アルゴリズムは、より優れたパフォーマンスと訓練効率を実現することができるのか? その結果、GTFLATを平均するとトップ1テストの精度は1.38%向上し、通信ラウンドは21.06%削減された。
  論文  参考訳（メタデータ） (2022-12-08T06:39:51Z)
• Vertical Semi-Federated Learning for Efficient Online Advertising [50.18284051956359]
  VFLの実践的な産業的応用を実現するために,Semi-VFL (Vertical Semi-Federated Learning) を提案する。 サンプル空間全体に適用可能な推論効率のよいシングルパーティ学生モデルを構築した。 新しい表現蒸留法は、重なり合うデータと非重なり合うデータの両方について、パーティ間の特徴相関を抽出するように設計されている。
  論文  参考訳（メタデータ） (2022-09-30T17:59:27Z)
• Achieving Model Fairness in Vertical Federated Learning [47.8598060954355]
  垂直連合学習(VFL)は、複数の企業が重複しない機能を保有して、プライベートデータやモデルパラメータを開示することなく、機械学習モデルを強化することを可能にする。 VFLは公平性の問題に悩まされており、すなわち、学習されたモデルはセンシティブな属性を持つグループに対して不公平に差別的である可能性がある。 この問題に対処するための公平なVFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-17T04:40:11Z)
• Behavior Mimics Distribution: Combining Individual and Group Behaviors for Federated Learning [26.36851197666568]
  フェデレートラーニング(FL)は、アクティブで有望な分散機械学習パラダイムとなっている。 近年の研究では, ローカル更新によるクライアントのドリフトにより, FL法の性能が劇的に低下していることが示されている。 本稿では,個人とグループの両方の行動を利用して分布を模倣する新しいフェデレート学習アルゴリズム(IGFL)を提案する。
  論文  参考訳（メタデータ） (2021-06-23T10:42:37Z)
• Secure Bilevel Asynchronous Vertical Federated Learning with Backward Updating [159.48259714642447]
  垂直拡張学習(VFL)は、多人数協調モデリングの要求とプライバシー漏洩の懸念により、注目を集めている。 我々は,vf$b2$を含む3つの新しいアルゴリズムを提案する新しいbftextlevel parallel architecture (vf$bfb2$)を提案する。
  論文  参考訳（メタデータ） (2021-03-01T12:34:53Z)
• Dual Learning: Theoretical Study and an Algorithmic Extension [168.0485041314289]
  本稿では,新たな領域からのフィードバック信号を活用してマッピングの質を向上させる多段階二重学習を提案する。 マルチステップのデュアルラーニングは、穏やかな条件下での標準的なデュアルラーニングの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-05-17T12:14:35Z)

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。