論文の概要: A Coopetitive-Compatible Data Generation Framework for Cross-silo Federated Learning

• arxiv url: http://arxiv.org/abs/2509.18120v1
• Date: Wed, 10 Sep 2025 13:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-28 15:30:14.382404
• Title: A Coopetitive-Compatible Data Generation Framework for Cross-silo Federated Learning
• Title（参考訳）: クロスサイロ・フェデレーション学習のための協調型データ生成フレームワーク
• Authors: Thanh Linh Nguyen, Quoc-Viet Pham,
• Abstract要約: クロスサイロ・フェデレーション・ラーニング(CFL)は、データをローカルに保つことでデータのプライバシを保ちながら、人工知能(AI)モデルを協調的にトレーニングすることを可能にする。 異種・競合的な環境下での協調学習をモデル化し,分析し,最適化するための,協調型データ生成フレームワークであるCoCoGenを提案する。
• 参考スコア（独自算出の注目度）: 3.7046358119786498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-silo federated learning (CFL) enables organizations (e.g., hospitals or banks) to collaboratively train artificial intelligence (AI) models while preserving data privacy by keeping data local. While prior work has primarily addressed statistical heterogeneity across organizations, a critical challenge arises from economic competition, where organizations may act as market rivals, making them hesitant to participate in joint training due to potential utility loss (i.e., reduced net benefit). Furthermore, the combined effects of statistical heterogeneity and inter-organizational competition on organizational behavior and system-wide social welfare remain underexplored. In this paper, we propose CoCoGen, a coopetitive-compatible data generation framework, leveraging generative AI (GenAI) and potential game theory to model, analyze, and optimize collaborative learning under heterogeneous and competitive settings. Specifically, CoCoGen characterizes competition and statistical heterogeneity through learning performance and utility-based formulations and models each training round as a weighted potential game. We then derive GenAI-based data generation strategies that maximize social welfare. Experimental results on the Fashion-MNIST dataset reveal how varying heterogeneity and competition levels affect organizational behavior and demonstrate that CoCoGen consistently outperforms baseline methods.
• Abstract（参考訳）: クロスサイロ・フェデレーション・ラーニング(CFL)は、組織(例えば病院や銀行)がデータをローカルに保持することでデータのプライバシを保ちながら、協力的に人工知能(AI)モデルをトレーニングすることを可能にする。 先行研究は、主に組織間の統計的不均一性に対処してきたが、経済的競争によって、組織が市場競争相手として行動し、潜在的ユーティリティ損失(すなわち、純利益の減少)のために共同トレーニングに参加することをためらう。 さらに、組織行動とシステム全体の社会福祉に対する統計的不均一性と組織間競争の複合効果は未解明のままである。 本稿では、生成型AI(GenAI)と潜在的ゲーム理論を利用して、異種・競合的な環境下での協調学習をモデル化し、分析し、最適化するココジェンを提案する。 特にCoCoGenは、学習性能とユーティリティベースの定式化と各トレーニングラウンドのモデルを通じて、競争と統計的不均一性を重み付きポテンシャルゲームとして特徴付けている。 そして、社会福祉を最大化するGenAIベースのデータ生成戦略を導出する。 Fashion-MNISTデータセットの実験結果は、さまざまな異質性と競争レベルが組織行動に与える影響を明らかにし、CoCoGenがベースラインメソッドを一貫して上回ることを示した。

関連論文リスト

• Robust Asymmetric Heterogeneous Federated Learning with Corrupted Clients [60.22876915395139]
  本稿では、異種・データ破損クライアントをモデルとした頑健な連立学習課題について検討する。 データ破損は、ランダムノイズ、圧縮アーティファクト、現実のデプロイメントにおける環境条件などの要因によって避けられない。 本稿では,これらの問題に対処する新しいロバスト非対称不均一なフェデレート学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-12T09:52:04Z)
• Convergence-aware Clustered Federated Graph Learning Framework for Collaborative Inter-company Labor Market Forecasting [38.13767335441753]
  人材需要と供給を予測する労働市場は、経営管理と経済発展に不可欠である。 従来の研究では、変動を予測するために、異なる企業間の需要供給シーケンス間の相互接続を無視していた。 本稿では,メタパーソナライズされた収束型クラスタ型フェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T04:11:23Z)
• DAMe: Personalized Federated Social Event Detection with Dual Aggregation Mechanism [55.45581907514175]
  本稿では,ソーシャルイベント検出のための二重集約機構,すなわちDAMeを用いた個人化学習フレームワークを提案する。 クライアントの好みに関する最大限の外部知識を提供するため,グローバルアグリゲーション戦略を導入する。 さらに、ローカルなオーバーフィッティングやクライアントドリフトを防止するために、グローバルなローカルイベント中心の制約を組み込んでいます。
  論文  参考訳（メタデータ） (2024-09-01T04:56:41Z)
• Federated Knowledge Recycling: Privacy-Preserving Synthetic Data Sharing [5.0243930429558885]
  フェデレーション・ナレッジ・リサイクリング(FedKR)は、組織間のコラボレーションを促進するために、局所的に生成された合成データを利用するクロスサイロ・フェデレーション・ラーニング・アプローチである。 FedKRは、高度なデータ生成技術と動的な集約プロセスを組み合わせることで、既存の方法よりも高いセキュリティを提供する。
  論文  参考訳（メタデータ） (2024-07-30T13:56:26Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
  フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。 我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2023-07-14T04:13:11Z)
• 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)
• FedPNN: One-shot Federated Classification via Evolving Clustering Method and Probabilistic Neural Network hybrid [4.241208172557663]
  本稿では,プライバシ保護を指向した2段階のフェデレーション学習手法を提案する。 第1段階では、2つの異なる分布をノイズとして利用して合成データセットを生成する。 第2段階では,FedPNN(Federated Probabilistic Neural Network)が開発され,グローバルに共有する分類モデルの構築に利用されている。
  論文  参考訳（メタデータ） (2023-04-09T03:23:37Z)
• 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)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)

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。