論文の概要: CARE: Compatibility-Aware Incentive Mechanisms for Federated Learning with Budgeted Requesters

• arxiv url: http://arxiv.org/abs/2504.15847v1
• Date: Tue, 22 Apr 2025 12:42:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 20:27:27.000789
• Title: CARE: Compatibility-Aware Incentive Mechanisms for Federated Learning with Budgeted Requesters
• Title（参考訳）: CARE:予算要求者によるフェデレーション学習のための適合性を考慮したインセンティブメカニズム
• Authors: Xiang Liu, Hau Chan, Minming Li, Xianlong Zeng, Chenchen Fu, Weiwei Wu,
• Abstract要約: フェデレートラーニング(Federated Learning, FL)は、労働者(例えば、顧客)から地元の訓練モデルを得ることを可能にする。 本稿では,複数の予算を持った依頼者が,非互換労働者から個人研修費用でトレーニングサービスを求めるFLのシナリオについて検討する。 そこで我々は,CARE-COとCARE-NOの両方式で,真の私的コストを課し,依頼者とその報酬を雇用する労働者を決定するための,互換性に配慮した新たなインセンティブメカニズムを開発した。
• 参考スコア（独自算出の注目度）: 25.69656488516605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) is a promising approach that allows requesters (\eg, servers) to obtain local training models from workers (e.g., clients). Since workers are typically unwilling to provide training services/models freely and voluntarily, many incentive mechanisms in FL are designed to incentivize participation by offering monetary rewards from requesters. However, existing studies neglect two crucial aspects of real-world FL scenarios. First, workers can possess inherent incompatibility characteristics (e.g., communication channels and data sources), which can lead to degradation of FL efficiency (e.g., low communication efficiency and poor model generalization). Second, the requesters are budgeted, which limits the amount of workers they can hire for their tasks. In this paper, we investigate the scenario in FL where multiple budgeted requesters seek training services from incompatible workers with private training costs. We consider two settings: the cooperative budget setting where requesters cooperate to pool their budgets to improve their overall utility and the non-cooperative budget setting where each requester optimizes their utility within their own budgets. To address efficiency degradation caused by worker incompatibility, we develop novel compatibility-aware incentive mechanisms, CARE-CO and CARE-NO, for both settings to elicit true private costs and determine workers to hire for requesters and their rewards while satisfying requester budget constraints. Our mechanisms guarantee individual rationality, truthfulness, budget feasibility, and approximation performance. We conduct extensive experiments using real-world datasets to show that the proposed mechanisms significantly outperform existing baselines.
• Abstract（参考訳）: フェデレートラーニング(FL)は、リクエスト(サーバ)がワーカー(クライアントなど)からローカルトレーニングモデルを取得することを可能にする、有望なアプローチである。 労働者は通常、自由かつ自発的にトレーニングサービスやモデルの提供を望んでいないため、FLの多くのインセンティブメカニズムは、依頼者から金銭的な報酬を提供することで参加をインセンティブ化するように設計されている。 しかし、既存の研究は現実世界のFLシナリオの2つの重要な側面を無視している。 第一に、労働者は固有の非互換性特性(例えば、通信チャネルやデータソース)を保有することができ、FL効率の低下(例えば、通信効率の低さ、モデル一般化の低さ)につながる可能性がある。 第二に、リクエストには予算がかかり、タスクのために雇用できる労働者の数が制限される。 本稿では,複数の予算を持った依頼者が,非互換労働者から個人研修費用でトレーニングサービスを求めるFLのシナリオについて検討する。 我々は,要求者が全体の実用性を改善するために予算のプールに協力する協力的予算設定と,各要求者が自身の予算内でその効用を最適化する非協力的予算設定の2つを考察する。 作業者の不整合性に起因する効率の低下に対処するため,要求者予算の制約を満たすとともに,両者が真の私的コストを課し,要求者や報酬を雇うよう労働者を判断するための,互換性に配慮した新たなインセンティブ機構であるCARE-COとCARE-NOを開発した。 我々のメカニズムは、個人の合理性、真理性、予算実現可能性、近似性能を保証する。 実世界のデータセットを用いて広範な実験を行い、提案手法が既存のベースラインを大幅に上回ることを示す。

関連論文リスト

• Regularized Proportional Fairness Mechanism for Resource Allocation Without Money [18.593061465167363]
  我々は資源配分問題に合わせた革新的なニューラルネットワークアーキテクチャを設計し、それを正規化比例公正ネットワーク(RPF-Net)と呼ぶ。 RPF-Netは、最も悪用可能なアロケーションの学習関数近似器により、比例フェアネス(PF)機構の出力を正規化する。 有限分布および外分布サンプル下での学習時の機構性能を保証する一般化境界を導出する。
  論文  参考訳（メタデータ） (2025-01-02T07:17:23Z)
• Incentivized Truthful Communication for Federated Bandits [61.759855777522255]
  我々はTrath-FedBanという名前のインセンティブ互換通信プロトコルを提案する。 Truth-FedBanは、オーバーヘッドなしにサブ線形後悔と通信コストを保証します。
  論文  参考訳（メタデータ） (2024-02-07T00:23:20Z)
• Learning Payment-Free Resource Allocation Mechanisms [19.60309632660988]
  ニューラルネットワークを用いた自己関心エージェント間のリソース制限機構の設計について検討する。 支払いなしのメカニズム設計に"マネーバーニング"というアイデアを取り入れた、新たなエンドツーエンドニューラルネットワークアーキテクチャであるExS-Netをコントリビュートしています。
  論文  参考訳（メタデータ） (2023-11-18T01:21:54Z)
• Welfare and Fairness Dynamics in Federated Learning: A Client Selection Perspective [1.749935196721634]
  Federated Learning(FL)は、分散コンピューティングデバイスが共有学習モデルのトレーニングを可能にする、プライバシ保護学習技術である。 公正さやインセンティブといった顧客に対する経済的配慮は、まだ完全には検討されていない。 低品質なクライアントを除去するためのクライアント選択プロセスと、公正な報酬配分を保証するための送金プロセスを含む、新たなインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2023-02-17T16:31:19Z)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)
• Online Auction-Based Incentive Mechanism Design for Horizontal Federated Learning with Budget Constraint [9.503584357135832]
  フェデレートされた学習は、データ分離を持つすべての関係者が協力的かつ効率的にモデルをトレーニングすることを可能にする。 高品質なモデルを得るには、より高品質な労働者をデータと計算能力で動機付けるためのインセンティブメカニズムが必要である。 本稿では,予算制約を伴う水平的フェデレーション学習のための,逆オークションに基づくオンラインインセンティブ機構を提案する。
  論文  参考訳（メタデータ） (2022-01-22T13:37:52Z)
• Inducing Equilibria via Incentives: Simultaneous Design-and-Play Finds Global Optima [114.31577038081026]
  本稿では,デザイナーとエージェントの問題を同時に1ループで解くための効率的な手法を提案する。 設計者は平衡問題を何度も解決しないが、エージェントに対するインセンティブの全体的な影響を予測できる。 このアルゴリズムは,幅広い種類のゲームに対して,サブ線形速度で大域的最適値に収束することを示す。
  論文  参考訳（メタデータ） (2021-10-04T06:53:59Z)
• 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)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。