論文の概要: Cooperate to Compete: Strategic Data Generation and Incentivization Framework for Coopetitive Cross-Silo Federated Learning
- arxiv url: http://arxiv.org/abs/2604.14886v1
- Date: Thu, 16 Apr 2026 11:24:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.868204
- Title: Cooperate to Compete: Strategic Data Generation and Incentivization Framework for Coopetitive Cross-Silo Federated Learning
- Title（参考訳）: 競合に協力する: 協調的クロスサイロ学習のための戦略的データ生成とインセンティブ化フレームワーク
- Authors: Thanh Linh Nguyen, Nguyen Van Huynh, Quoc-Viet Pham,
- Abstract要約: クロスサイロのフェデレーション学習は、生データを共有することなく、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。
医療などのデータに敏感な領域では、実践的なCFLデプロイメントは本質的に協調的です。
非IIDデータと組織間競争を共同でモデル化するフレームワークであるCoCoGen+を紹介します。
- 参考スコア（独自算出の注目度）: 7.010409358585626
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In data-sensitive domains such as healthcare, cross-silo federated learning (CFL) allows organizations to collaboratively train AI models without sharing raw data. However, practical CFL deployments are inherently coopetitive, in which organizations cooperate during model training while competing in downstream markets. In such settings, training contributions, including data volume, quality, and diversity, can improve the global model yet inadvertently strengthen rivals. This dilemma is amplified by non-IID data, which leads to asymmetric learning gains and undermines sustained participation. While existing competition-aware CFL and incentive-design approaches reward organizations based on marginal training contributions, they fail to account for the costs of strengthening competitors. In this paper, we introduce CoCoGen+, a coopetition-compatible data generation and incentivization framework that jointly models non-IID data and inter-organizational competition while endogenizing GenAI-based synthetic data generation as a strategic decision. Specifically, CoCoGen+ formulates each training round as a weighted potential game, where organizations strategically decide how much synthetic data to generate by balancing learning performance gains against computational costs and competition-caused utility losses. We then provide a tractable equilibrium characterization and derive implementable generation strategies to maximize social welfare. To promote long-term collaboration, we integrate a payoff redistribution-based incentive mechanism to compensate organizations for their contributions and competition-caused utility degradation. Experiments on varying learning tasks validate the feasibility of CoCoGen+. The results show how non-IID data, competition intensity, and incentives shape organizational strategies and social welfare, while CoCoGen+ outperforms baselines in efficiency.
- Abstract（参考訳）: 医療などのデータに敏感なドメインでは、クロスサイロ・フェデレーション・ラーニング(CFL)は、生データを共有することなく、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。
しかし、実践的なCFLの展開は本質的に協調的であり、下流市場で競争しながら、モデルトレーニング中に組織が協力する。
このような設定では、データボリューム、品質、多様性を含むトレーニングコントリビューションは、グローバルモデルを改善することができるが、必然的にライバルを強化することができる。
このジレンマは非IIDデータによって増幅され、非対称な学習が増加し、持続的な参加を損なう。
既存の競争意識のあるCFLとインセンティブデザインは、限界トレーニングの貢献に基づいて組織に報酬を与えるが、競争力強化のコストを考慮しない。
本稿では,CoCoGen+について紹介する。CoCoGen+は,非IIDデータと組織間競争を共同でモデル化し,GenAIベースの合成データ生成を戦略的決定としてエンドジェニック化する,コペティション互換型データ生成・インセンティブ化フレームワークである。
具体的には、CoCoGen+は、各トレーニングラウンドを重み付けされた潜在的なゲームとして定式化し、学習のパフォーマンス向上と計算コストと競争によるユーティリティ損失とのバランスをとることによって、合成データの生成量を戦略的に決定する。
次に, 社会的福祉を最大化するために, 抽出可能な均衡特性を提供し, 実現可能な生成戦略を導出する。
長期協力を促進するため,組織への貢献と競争によるユーティリティ劣化を補うために,ペイオフ再分配に基づくインセンティブ機構を統合した。
様々な学習タスクの実験は、CoCoGen+の実現可能性を検証する。
その結果、非IIDデータ、競争力、インセンティブが組織戦略や社会福祉をどう形成するかが示され、CoCoGen+は効率のベースラインを上回っている。
関連論文リスト
- Decentralized Dynamic Cooperation of Personalized Models for Federated Continual Learning [50.56947843548702]
フェデレーション型連続学習のための分散動的協調フレームワークを提案する。
顧客は、新しい知識の獲得と事前学習の維持のバランスをとるために、動的な協調学習連合を確立する。
また、協調的・動的平衡を達成するために、マージブロックアルゴリズムと動的協調的進化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-09-28T06:53:23Z) - A Coopetitive-Compatible Data Generation Framework for Cross-silo Federated Learning [3.7046358119786498]
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。
論文 参考訳（メタデータ） (2025-09-10T13:29:05Z) - Efficient Core-selecting Incentive Mechanism for Data Sharing in
Federated Learning [0.12289361708127873]
フェデレーテッド・ラーニング(Federated Learning)は、参加者のデータを使って改善されたグローバルモデルをトレーニングする分散機械学習システムである。
データを真に入力し、安定した協力を促進するインセンティブメカニズムの確立は、検討すべき重要な問題となっている。
本稿では,サンプリング近似に基づく効率的なコア選択機構を提案する。
論文 参考訳（メタデータ） (2023-09-21T01:47:39Z) - 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) - 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) - Adaptive incentive for cross-silo federated learning: A multi-agent
reinforcement learning approach [12.596779831510508]
クロスサイロ・フェデレーション・ラーニング(FL)は、組織が独立したデータに基づいてグローバルモデルをトレーニングすることを可能にする。
組織にデータ提供を動機付けるための,クロスサイロFLの新しい適応機構を提案する。
論文 参考訳（メタデータ） (2023-02-15T06:45:35Z) - FedABC: Targeting Fair Competition in Personalized Federated Learning [76.9646903596757]
フェデレートラーニングは、クライアントのローカルプライベートデータにアクセスすることなく、モデルを協調的にトレーニングすることを目的としている。
我々はFedABCと呼ばれるバイナリ分類によるFederated Averagingと呼ばれる新規で汎用的なPFLフレームワークを提案する。
特に、各クライアントに1対1のトレーニング戦略を採用して、クラス間の不公平な競争を軽減する。
論文 参考訳（メタデータ） (2023-02-15T03:42:59Z) - Continual Competitive Memory: A Neural System for Online Task-Free
Lifelong Learning [91.3755431537592]
我々は,教師なし学習,連続競合記憶(CCM)の新たな形態を提案する。
結果として得られる神経系は、オンライン連続分類問題において破滅的な忘れと戦う効果的なアプローチを提供する。
提案したCCMシステムは,他の競合学習ニューラルモデルよりも優れるだけでなく,最新かつ最先端の学習アプローチと競合する性能が得られることを実証する。
論文 参考訳（メタデータ） (2021-06-24T20:12:17Z)
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。