論文の概要: Mechanism Design for Federated Learning with Non-Monotonic Network Effects

• arxiv url: http://arxiv.org/abs/2601.04648v1
• Date: Thu, 08 Jan 2026 06:45:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.069974
• Title: Mechanism Design for Federated Learning with Non-Monotonic Network Effects
• Title（参考訳）: 非単調ネットワーク効果を考慮したフェデレーション学習のためのメカニズム設計
• Authors: Xiang Li, Bing Luo, Jianwei Huang, Yuan Luo,
• Abstract要約: 既存のメカニズムは、クライアントの参加と多様なモデルパフォーマンス要求のネットワーク効果を見落としている。 本稿では,モデルトレーディング・アンド・シェアリング(MoTS)フレームワークを提案する。 また,アプリケーション・アウェア・アンド・ネットワーク・エフェクト(SWAN)による社会福祉機構を設計し,インセンティブ化のためのモデル顧客支払いを生かした。
• 参考スコア（独自算出の注目度）: 21.397949089492613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mechanism design is pivotal to federated learning (FL) for maximizing social welfare by coordinating self-interested clients. Existing mechanisms, however, often overlook the network effects of client participation and the diverse model performance requirements (i.e., generalization error) across applications, leading to suboptimal incentives and social welfare, or even inapplicability in real deployments. To address this gap, we explore incentive mechanism design for FL with network effects and application-specific requirements of model performance. We develop a theoretical model to quantify the impact of network effects on heterogeneous client participation, revealing the non-monotonic nature of such effects. Based on these insights, we propose a Model Trading and Sharing (MoTS) framework, which enables clients to obtain FL models through either participation or purchase. To further address clients' strategic behaviors, we design a Social Welfare maximization with Application-aware and Network effects (SWAN) mechanism, exploiting model customer payments for incentivization. Experimental results on a hardware prototype demonstrate that our SWAN mechanism outperforms existing FL mechanisms, improving social welfare by up to $352.42\%$ and reducing extra incentive costs by $93.07\%$.
• Abstract（参考訳）: 自己関心のある顧客を調整することによって、社会的福祉を最大化するために、メカニズム設計は連邦学習(FL)に欠かせない。 しかし、既存のメカニズムは、クライアントの参加によるネットワーク効果やアプリケーション間での様々なモデルパフォーマンス要求(すなわち一般化エラー)を見落とし、最適以下のインセンティブや社会福祉、あるいは実際のデプロイメントでは適用できないものへと繋がる。 このギャップに対処するために、ネットワーク効果とモデル性能のアプリケーション固有の要件を持つFLのインセンティブメカニズム設計について検討する。 本研究では,ネットワーク効果が不均一なクライアント参加に与える影響を定量的に評価する理論モデルを構築し,その非単調性を明らかにする。 これらの知見に基づいて、クライアントが参加または購入によってFLモデルを取得することができるモデルトレーディング・アンド・シェアリング(MoTS)フレームワークを提案する。 クライアントの戦略的行動にさらに対処するため,アプリケーション・アウェア・ネットワーク・エフェクト(SWAN)機構を用いた社会福祉の最大化を設計し,インセンティブ化のためのモデル顧客支払いを利用する。 ハードウェアプロトタイプ実験の結果、SWAN機構は既存のFLメカニズムより優れ、社会福祉は最大352.42.%、余剰インセンティブコストは93.07.%であることがわかった。

関連論文リスト

• Social World Model-Augmented Mechanism Design Policy Learning [58.739456918502704]
  SWM-AP (Social World Model-Augmented Mechanism Design Policy Learning) を導入する。 SWM-APは,累積報酬とサンプル効率において,モデルベースおよびモデルフリーのRLベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-10-22T06:01:21Z)
• 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)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• Incentive Mechanism Design for Unbiased Federated Learning with Randomized Client Participation [31.2017942327673]
  本稿では,ランダムなクライアント参加を伴うフェデレーション学習(FL)のためのゲーム理論インセンティブ機構を提案する。 我々は,サーバのモデル性能向上とクライアントの利益向上を両立させることを実証した。
  論文  参考訳（メタデータ） (2023-04-17T04:05:57Z)
• 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)
• Learning Dynamic Mechanisms in Unknown Environments: A Reinforcement Learning Approach [123.55983746427572]
  本稿では,複数ラウンドの対話を通して動的ビックレー・クラーク・グローブ(VCG)機構を回復するための新しい学習アルゴリズムを提案する。 当社のアプローチの重要な貢献は、報酬のないオンライン強化学習(RL)を取り入れて、リッチな政策分野の探索を支援することである。
  論文  参考訳（メタデータ） (2022-02-25T16:17:23Z)
• 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)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• An Incentive Mechanism for Federated Learning in Wireless Cellular network: An Auction Approach [75.08185720590748]
  Federated Learning(FL)は、機械学習の分散問題に対処できる分散学習フレームワークである。 本稿では,1つの基地局(BS)と複数のモバイルユーザを含むFLシステムについて考察する。 我々は,BSとモバイルユーザの間のインセンティブメカニズムを,BSが競売業者であり,モバイルユーザが売り手であるオークションゲームとして定式化する。
  論文  参考訳（メタデータ） (2020-09-22T01:50:39Z)

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。