論文の概要: SCOPE-FL: A Strategy-proof Chain-based Optimal pareto efficient Federated Learning System

• arxiv url: http://arxiv.org/abs/2606.18384v1
• Date: Tue, 16 Jun 2026 18:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.844071
• Title: SCOPE-FL: A Strategy-proof Chain-based Optimal pareto efficient Federated Learning System
• Title（参考訳）: SCOPE-FL: 戦略型連鎖型最適パリト学習システム
• Authors: Seyed Salar Ghazi, Kaiwen Zhang, Mehdi feizi, Hans-Arno Jacobsen,
• Abstract要約: SCOPE-FLは、効果的なフェデレート学習フレームワークである。 クライアント選択は、Top Trading Cycle (TTC)アルゴリズムによって解決された、双方向の学校選択問題として定式化される。 SCOPE-FLは、DA、IASなど、モデル精度、収束率、報酬効率など、最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 6.541469295973644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical Federated Learning (HFL) enables scalable collaborative model training across distributed devices while preserving data privacy. However, existing HFL client selection mechanisms suffer from a fundamental strategic inefficiency. By prioritizing stability over Pareto efficiency (PE), they produce suboptimal resource allocations, and without strategy proofness (SP), participants are incentivized to misrepresent their true preferences, both failures degrading system overall welfare in the Pareto sense in practice. To address it, we propose SCOPE-FL (Strategy-proof Chain-based Optimal pareto efficient Federated Learning), a synchronous HFL framework that formulates client selection as a two-sided school choice problem solved through the Top Trading Cycle (TTC) algorithm that simultaneously guarantees PE and SP. For reward distribution, SCOPE-FL employs a scalable Shapley value approximation based on One-Round Reconstruction (OR), ensuring compensation proportional to each client's contribution. The entire mechanism executes via blockchain smart contracts, providing the tamper-proof environment required for the SP guarantees to hold in practice. A comprehensive evaluation on MNIST, Fashion-MNIST, and CIFAR-10 demonstrates that SCOPE-FL outperforms state-of-the-art approaches, including DA, IAS, and other methods across model accuracy, convergence rate, and reward efficiency, while achieving communication latency comparable to DA and blockchain overhead significantly lower than DA at scale.
• Abstract（参考訳）: 階層的フェデレーション学習(HFL)は、データプライバシを保持しながら、分散デバイス間でスケーラブルなコラボレーティブモデルトレーニングを可能にする。 しかし、既存のHFLクライアント選択メカニズムは、基本的な戦略的非効率性に悩まされている。 パレート効率(PE)よりも安定性を優先し、最適な資源配分を生成し、戦略実証性(SP)がなければ、参加者は真の嗜好を誤って表現するインセンティブを得る。 そこで本研究では,クライアント選択をTop Trading Cycle (TTC) アルゴリズムで解決し,PEとSPを同時に保証する,同期型HFLフレームワークであるSCOPE-FL(Strategy-proof Chain-based Optimal pareto efficient Federated Learning)を提案する。 SCOPE-FLは、1-Round Reconstruction (OR) に基づくスケーラブルなShapley値近似を用いて、各クライアントの貢献に比例した報酬を保証する。 メカニズム全体がブロックチェーンスマートコントラクトを介して実行され、SPが実際に保持するために必要なタンパー保護環境を提供する。 MNIST、Fashion-MNIST、CIFAR-10に対する包括的な評価は、SCOPE-FLがDAやIASなど、モデル精度、収束率、報酬効率など、最先端の手法よりも優れており、DAやブロックチェーンのオーバーヘッドに匹敵する通信レイテンシを大規模に達成していることを示している。

関連論文リスト

• Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
  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。
  論文  参考訳（メタデータ） (2026-02-03T11:10:50Z)
• CoT-Saliency: Unified Chain-of-Thought Reasoning for Heterogeneous Saliency Tasks [96.64597365827046]
  本稿では,3つの運用上不均一なサリエンシタスクを共同で処理する,最初の統合フレームワークを提案する。 タスクの不均一性を橋渡しする視覚言語モデル(VLM)において、チェーン・オブ・ソート(CoT)推論プロセスを導入する。 我々は,全タスクにまたがる特別なSOTA手法と強力なクローズドソースVLMの整合性を示す。
  論文  参考訳（メタデータ） (2025-11-01T04:37:01Z)
• CO-PFL: Contribution-Oriented Personalized Federated Learning for Heterogeneous Networks [51.43780477302533]
  コントリビューション指向型PFL(CO-PFL)は,グローバルアグリゲーションに対する各クライアントのコントリビューションを動的に推定するアルゴリズムである。 CO-PFLは、パーソナライズ精度、堅牢性、スケーラビリティ、収束安定性において、最先端の手法を一貫して超越している。
  論文  参考訳（メタデータ） (2025-10-23T05:10:06Z)
• OPUS-VFL: Incentivizing Optimal Privacy-Utility Tradeoffs in Vertical Federated Learning [5.18016531192802]
  VFL(Vertical Federated Learning)のための最適プライバシ・ユーティリティトレードオフ戦略であるOPUS-VFLを提案する。 OPUS-VFLは、モデルコントリビューション、プライバシ保護、リソース投資の原則の組み合わせに基づいて、顧客に報酬を与える、新しいプライバシ対応インセンティブメカニズムを導入している。 私たちのフレームワークは、スケーラブルで予算バランスが良く、推論や中毒攻撃に対して堅牢なように設計されています。
  論文  参考訳（メタデータ） (2025-04-22T16:00:11Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning [5.622065847054885]
  Federated Learning (FL)は、分散デバイス間でのプライバシ保護モデルトレーニングのための有望なアプローチとして登場した。 我々はtextbfAdaptive textbfAggregation を通じてクライアントのコントリビューションを最適化する textbfFedAA という新しい手法を導入し、悪意のあるクライアントに対するモデルロバスト性を高める。
  論文  参考訳（メタデータ） (2024-02-08T10:22:12Z)
• Learner Referral for Cost-Effective Federated Learning Over Hierarchical IoT Networks [21.76836812021954]
  本稿では,連合選択(LRef-FedCS),通信資源,局所モデル精度(LMAO)手法を支援する。 提案したLRef-FedCSアプローチは,高いグローバル精度とコスト削減のバランスをとることができる。
  論文  参考訳（メタデータ） (2023-07-19T13:33:43Z)
• 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)

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。