論文の概要: Long-Term Client Selection for Federated Learning with Non-IID Data: A Truthful Auction Approach

• arxiv url: http://arxiv.org/abs/2508.09181v1
• Date: Thu, 07 Aug 2025 12:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.58569
• Title: Long-Term Client Selection for Federated Learning with Non-IID Data: A Truthful Auction Approach
• Title（参考訳）: 非IIDデータを用いたフェデレーション学習のための長期クライアント選択:真にオークションのアプローチ
• Authors: Jinghong Tan, Zhian Liu, Kun Guo, Mingxiong Zhao,
• Abstract要約: 真偽オークション(LCSFLA)に基づく長期クライアント選択フェデレーション学習を提案する。 このスキームは、新たな評価機構とエネルギーコストを用いて、長期データ品質を考慮した社会福祉を最大化する。 IoVシナリオを含む各種データセットの実験結果から,非IIDデータによる性能劣化の軽減効果が示された。
• 参考スコア（独自算出の注目度）: 4.3229053911530775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) provides a decentralized framework that enables universal model training through collaborative efforts on mobile nodes, such as smart vehicles in the Internet of Vehicles (IoV). Each smart vehicle acts as a mobile client, contributing to the process without uploading local data. This method leverages non-independent and identically distributed (non-IID) training data from different vehicles, influenced by various driving patterns and environmental conditions, which can significantly impact model convergence and accuracy. Although client selection can be a feasible solution for non-IID issues, it faces challenges related to selection metrics. Traditional metrics evaluate client data quality independently per round and require client selection after all clients complete local training, leading to resource wastage from unused training results. In the IoV context, where vehicles have limited connectivity and computational resources, information asymmetry in client selection risks clients submitting false information, potentially making the selection ineffective. To tackle these challenges, we propose a novel Long-term Client-Selection Federated Learning based on Truthful Auction (LCSFLA). This scheme maximizes social welfare with consideration of long-term data quality using a new assessment mechanism and energy costs, and the advised auction mechanism with a deposit requirement incentivizes client participation and ensures information truthfulness. We theoretically prove the incentive compatibility and individual rationality of the advised incentive mechanism. Experimental results on various datasets, including those from IoV scenarios, demonstrate its effectiveness in mitigating performance degradation caused by non-IID data.
• Abstract（参考訳）: フェデレートラーニング(FL)は、IoT(Internet of Vehicles, IoV)におけるスマートカーのようなモバイルノード上での共同作業を通じて、普遍的なモデルトレーニングを可能にする分散フレームワークを提供する。 各スマートカーはモバイルクライアントとして機能し、ローカルデータをアップロードすることなくプロセスに貢献する。 本手法は, 各種駆動パターンおよび環境条件の影響を受け, 非独立で同一に分布する(非IID)訓練データを活用することにより, モデル収束と精度に大きな影響を与える。 クライアントの選択は、非IID問題に対して実現可能なソリューションであるが、選択メトリクスに関連する課題に直面している。 従来のメトリクスは、ラウンド毎にクライアントデータの品質を独立して評価し、すべてのクライアントがローカルトレーニングを完了した後、クライアントの選択を必要とするため、未使用のトレーニング結果からリソースの浪費につながる。 IoVのコンテキストでは、車両は接続性や計算資源が限られており、クライアントの選択における情報非対称性は、クライアントが誤った情報を提出するリスクを冒し、選択を効果的にしない可能性がある。 これらの課題に対処するため,本研究では,真偽オークション(LCSFLA)に基づく長期クライアント選択フェデレーション学習を提案する。 新たなアセスメント機構とエネルギーコストを用いて、長期データ品質を考慮した社会福祉を最大化し、預金要求による推奨オークション機構は、顧客参加を奨励し、情報真性を確保する。 理論的には、推奨インセンティブメカニズムのインセンティブの適合性と個人的合理性を証明する。 IoVシナリオを含む各種データセットの実験結果から,非IIDデータによる性能劣化の軽減効果が示された。

関連論文リスト

• HFedCKD: Toward Robust Heterogeneous Federated Learning via Data-free Knowledge Distillation and Two-way Contrast [10.652998357266934]
  データフリーな知識蒸留と双方向コントラスト(HFedCKD)に基づくヘテロジニアスフェデレーション方式を提案する。 HFedCKDは、データフリーな知識蒸留における低い参加率による知識オフセットを効果的に軽減し、モデルの性能と安定性を向上させる。 我々は画像とIoTデータセットに関する広範な実験を行い、提案したHFedCKDフレームワークの一般化と堅牢性を包括的に評価し、検証する。
  論文  参考訳（メタデータ） (2025-03-09T08:32:57Z)
• Strategic Client Selection to Address Non-IIDness in HAPS-enabled FL Networks [21.446301665317378]
  非IIDデータの悪影響を軽減するために,属性に基づく新たなクライアント選択手法を提案する。 シミュレーション結果は、FLモデルの精度と収束率を高めるために提案したクライアント選択戦略の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2024-01-10T18:22:00Z)
• Intelligent Client Selection for Federated Learning using Cellular Automata [0.5849783371898033]
  FLは、輸送、通信、医療など、さまざまな現実世界のアプリケーションにおいて、プライバシーの強化とレイテンシーのための有望なソリューションとして登場した。 本稿では,新しいクライアント選択アルゴリズムとして,セルラーオートマトンに基づくクライアント選択(CA-CS)を提案する。 この結果から,CA-CSは高遅延フェデレーションクライアントを効果的に回避しつつ,ランダム選択手法に匹敵する精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-01T09:40:40Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• Knowledge-Aware Federated Active Learning with Non-IID Data [75.98707107158175]
  本稿では,アノテーション予算に制限のあるグローバルモデルを効率的に学習するための,連合型アクティブラーニングパラダイムを提案する。 フェデレートされたアクティブラーニングが直面する主な課題は、サーバ上のグローバルモデルのアクティブサンプリング目標と、ローカルクライアントのアクティブサンプリング目標とのミスマッチである。 本稿では,KSAS (Knowledge-Aware Federated Active Learning) とKCFU (Knowledge-Compensatory Federated Update) を組み合わせた,知識対応型アクティブ・ラーニング(KAFAL)を提案する。
  論文  参考訳（メタデータ） (2022-11-24T13:08:43Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Budgeted Online Selection of Candidate IoT Clients to Participate in Federated Learning [33.742677763076]
  フェデレートラーニング(FL)は、モデルパラメータがクライアントデータの代わりに交換されるアーキテクチャである。 FLは、コミュニケーションラウンドを通じてクライアントと通信することで、グローバルモデルをトレーニングする。 最適な候補クライアントとIoTクライアントアラームアプリケーションを見つけるために,オンラインステートフルFLを提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:32:31Z)

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。