論文の概要: Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation

• arxiv url: http://arxiv.org/abs/2602.03387v1
• Date: Tue, 03 Feb 2026 11:10:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.406758
• Title: Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation
• Title（参考訳）: 持続可能なフェデレーション・ラーニング・エコシステムを目指して--ペイオフ・アロケーションのための実践的最小限のコア・メカニズム
• Authors: Zhengwei Ni, Zhidu Li, Wei Chen, Zhaoyang Zhang, Zehua Wang, F. Richard Yu, Victor C. M. Leung,
• Abstract要約: 最小コア(LC)概念に基づく配当フレームワークを提案する。 従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。 統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
• 参考スコア（独自算出の注目度）: 71.86087908416255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emerging network paradigms and applications increasingly rely on federated learning (FL) to enable collaborative intelligence while preserving privacy. However, the sustainability of such collaborative environments hinges on a fair and stable payoff allocation mechanism. Focusing on coalition stability, this paper introduces a payoff allocation framework based on the least core (LC) concept. Unlike traditional methods, the LC prioritizes the cohesion of the federation by minimizing the maximum dissatisfaction among all potential subgroups, ensuring that no participant has an incentive to break away. To adapt this game-theoretic concept to practical, large-scale networks, we propose a streamlined implementation with a stack-based pruning algorithm, effectively balancing computational efficiency with allocation precision. Case studies in federated intrusion detection demonstrate that our mechanism correctly identifies pivotal contributors and strategic alliances. The results confirm that the practical LC framework promotes stable collaboration and fosters a sustainable FL ecosystem.
• Abstract（参考訳）: 新たなネットワークパラダイムとアプリケーションは、プライバシを保持しながら協調的なインテリジェンスを実現するために、ますます連邦学習(FL)に依存している。 しかし、このような協調環境の持続性は、公平で安定した配当機構に依存している。 本稿では、連立安定性に着目し、最小コア(LC)概念に基づく配当フレームワークを提案する。 従来の方法とは異なり、LCは全ての潜在的なサブグループ間の最大の不満を最小限に抑え、参加者が離脱する動機を持たないことを保証し、連合の結束を優先する。 このゲーム理論の概念を実用的で大規模なネットワークに適用するために,スタックベースのプルーニングアルゴリズムを用いた合理化実装を提案し,計算効率と割り当て精度を効果的にバランスさせる。 統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。 その結果、実用的なLCフレームワークは安定したコラボレーションを促進し、持続可能なFLエコシステムを育むことが確認された。

関連論文リスト

• Federated Attention: A Distributed Paradigm for Collaborative LLM Inference over Edge Networks [63.541114376141735]
  大規模言語モデル(LLM)は、さまざまなアプリケーションシナリオにまたがってインテリジェントな機能を提供しながら、急速に普及しています。 しかし、彼らの共同シナリオにおける実践的なデプロイは、プライバシの脆弱性、通信オーバーヘッド、計算ボトルネックといった根本的な課題に直面します。 我々はフェデレート・アテンション(FedAttn)を提案し、フェデレーション・パラダイムを自己注意機構に統合する。
  論文  参考訳（メタデータ） (2025-11-04T15:14:58Z)
• An Explainable Equity-Aware P2P Energy Trading Framework for Socio-Economically Diverse Microgrid [0.0]
  本稿では、多目的混合整数線形プログラミング(MILP)、協調ゲーム理論、強化学習(RL)によって駆動される動的エクイティ調整機構を統合する新しいフレームワークを提案する。 この枠組みは、最大72.6%のピーク需要削減と、大きな協力的な利益を示す。
  論文  参考訳（メタデータ） (2025-07-24T18:38:51Z)
• Resolving CAP Through Automata-Theoretic Economic Design: A Unified Mathematical Framework for Real-Time Partition-Tolerant Systems [0.0]
  CAP定理は、一貫性、可用性、および分割耐性の間のトリレンマを主張する。 本稿では,CAPトレードオフを制約最適化問題として再編成する,厳密な自動理論および経済基盤フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-03T09:21:43Z)
• Blockchain-based Framework for Scalable and Incentivized Federated Learning [0.820828081284034]
  フェデレートラーニング(FL)は、生データを共有せずに協調的なモデルトレーニングを可能にし、分散データセットを活用しながらプライバシを保存する。 従来のFLシステムは、信頼の問題や単一障害点の導入、有意義なクライアントコントリビューションのインセンティブの制限といった、集中的な集約メカニズムに依存しています。 本稿では、スマートコントラクトと新しいハイブリッドインセンティブ機構を統合することにより、これらの制限に対処するブロックチェーンベースのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-20T00:38:35Z)
• Networked Communication for Decentralised Agents in Mean-Field Games [59.01527054553122]
  平均フィールドゲームフレームワークにネットワーク通信を導入する。 当社のアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを証明しています。 ネットワーク化されたアプローチは、障害の更新や人口規模の変化に対する堅牢性という点において、両方の選択肢に対して大きなメリットがあることが示されています。
  論文  参考訳（メタデータ） (2023-06-05T10:45:39Z)
• Collaboration in Participant-Centric Federated Learning: A Game-Theoretical Perspective [29.06665697241795]
  Federated Learning(FL)は、協調人工知能モデルトレーニングのための有望な分散フレームワークである。 重要な研究の注目を集めているブートストラップコンポーネントは、FLにおけるユーザの協調を刺激するインセンティブメカニズムの設計である。 共通の関心のためにFLモデルを追求するために、参加者間の参加者中心のコラボレーションを鍛えることを検討する作業はほとんどない。 本稿では, 参加者中心のFLに対して, 効果的かつ効率的なコラボレーションを促すための新しい分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-25T10:12:22Z)
• Monotonic Improvement Guarantees under Non-stationarity for Decentralized PPO [66.5384483339413]
  我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。 本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-31T20:39:48Z)
• Finite-Time Consensus Learning for Decentralized Optimization with Nonlinear Gossiping [77.53019031244908]
  本稿では,非線形ゴシップ(NGO)に基づく分散学習フレームワークを提案する。 コミュニケーション遅延とランダム化チャットが学習にどう影響するかを解析することで,実践的なバリエーションの導出が可能となる。
  論文  参考訳（メタデータ） (2021-11-04T15:36:25Z)
• Bayesian Variational Federated Learning and Unlearning in Decentralized Networks [37.62407138487514]
  本稿では,ベイズフレームワーク内の分散ネットワークにおけるフェデレート学習とアンラーニングについて述べる。 局所的自由エネルギー最小化問題の分散解に基づいて、フェデレーション付き変分推論(VI)ソリューションを特に開発する。
  論文  参考訳（メタデータ） (2021-04-08T15:18:35Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)

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。