論文の概要: Decision-Focused Learning in Network Interdiction Games

• arxiv url: http://arxiv.org/abs/2608.09036v1
• Date: Mon, 10 Aug 2026 02:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.043512
• Title: Decision-Focused Learning in Network Interdiction Games
• Title（参考訳）: ネットワークインターディクションゲームにおける意思決定型学習
• Abstract要約: 最短経路ネットワークインターディクション(SPNI)ゲームにおける意思決定中心学習(DFL)について検討する。 このゲーム環境では,DFLは基本的な構造上の障害に直面している。 本稿では,有意な同値クラスを崩壊させるために,名目トレーニングサンプルを予測シナリオに置き換えたAdversarial DFL(A-DFL)を提案する。
• 参考スコア（独自算出の注目度）: 3.52359746858894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study decision-focused learning (DFL) in shortest-path network interdiction (SPNI) games, a Stackelberg game where an interdictor (leader) strengthens the networks' arcs against attacks, while an evader (follower) who is uncertain about costs of attacking network arcs relies on a machine-learned predictor to identify the shortest path. While DFL is highly effective as an end-to-end optimization framework, we show that it faces a fundamental structural failure when employed in this game setting: its training objective admits a broad decision-equivalence class of cost estimators that achieve zero nominal loss yet fail under interdiction, reversing DFL's usual advantage over a naive prediction-focused learning (PFL) approach. To address this, we propose Adversarial DFL (A-DFL), which replaces nominal training samples with interdicted scenarios to collapse the harmful equivalence class. Experiments on synthetic and real-world networks confirm that A-DFL restores DFL's advantage in this game setting, enabling effective end-to-end optimization.
• Abstract（参考訳）: 最短経路ネットワークインターディクション(SPNI)ゲームにおける決定中心学習(DFL)について検討し,ネットワークアーク攻撃のコストについて不確実な回避者(追従者)が最短経路を特定するために,マシン学習した予測者に依存する。 DFLはエンド・ツー・エンドの最適化フレームワークとして非常に効果的であるが,本ゲームでは基本的な構造的障害に直面している。そのトレーニング目的は,識別損失がゼロでありながら断続的に失敗するコスト推定器の幅広い決定等価クラスを認め,予測中心学習(PFL)アプローチに対するDFLの通常の優位性を逆転させる。 そこで本稿では,有意な同値クラスを崩壊させるために,名目トレーニングサンプルを予測シナリオに置き換えたAdversarial DFL(A-DFL)を提案する。 合成および実世界のネットワークの実験では、A-DFLがこのゲーム設定におけるDFLの利点を回復し、効率的なエンドツーエンドの最適化を可能にすることが確認されている。

関連論文リスト

• BackDFL: A Unified Benchmark For Backdoor Attacks and Defenses In Decentralized Federated Learning [6.880692243968865]
  Decentralized Federated Learning (DFL)は、集中型パラメータサーバをピアツーピアモデル交換に置き換えることで、信頼性のない協調学習を約束する。 DFLの堅牢性は著しく過大評価されていると我々は主張する。 現実的かつ適応的なバックドア攻撃下でDFLを体系的に評価するための統一ベンチマークであるBackDFLを提案する。
  論文  参考訳（メタデータ） (2026-08-21T14:13:28Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• Gen-DFL: Decision-Focused Generative Learning for Robust Decision Making [48.62706690668867]
  意思決定型生成学習(Gen-DFL)は、生成モデルを利用して不確実性を適応的にモデル化し、意思決定品質を向上させる新しいフレームワークである。 本論文は,Gen-DFLが従来のDFLと比較して,最悪の性能バウンダリを改善できることを理論的に示す。
  論文  参考訳（メタデータ） (2025-02-08T06:52:11Z)
• FuseFL: One-Shot Federated Learning through the Lens of Causality with Progressive Model Fusion [48.90879664138855]
  ワンショットフェデレートラーニング(OFL)は、訓練されたモデルを1回だけ集約することで、FLにおける通信コストを大幅に削減する。 しかし、高度なOFL法の性能は通常のFLよりもはるかに遅れている。 本稿では,FuseFL と呼ばれる,高い性能と低通信・ストレージコストを有する新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-27T09:07:10Z)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [65.04475956174959]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLにおける重要な課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータの敵ジャミングに対する感受性である。 本稿では,無線ネットワーク上での大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いたレジリエンスSFLのための物理層フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• Decentralized Personalized Federated Learning based on a Conditional Sparse-to-Sparser Scheme [5.5058010121503]
  分散連邦学習(DFL)は、その堅牢性と集中的調整の回避によって人気を博している。 本稿では, DA-DPFL という新しいテクスチャパース・ツー・スパーサー・トレーニング手法を提案する。 実験の結果, DA-DPFLはDFLのベースラインの精度を大幅に上回り, エネルギーコストの最大5ドル削減を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-04-24T16:03:34Z)
• AdaptSFL: Adaptive Split Federated Learning in Resource-constrained Edge Networks [15.195798715517315]
  Split Federated Learning(SFL)は、モデルのパーティショニングを通じて、最初のトレーニングワークロードをサーバにfloadする、有望なソリューションである。 本稿では,資源制約付きエッジコンピューティングシステムにおいて,SFLを高速化するための新しいリソース適応型SFLフレームワークであるAdaptSFLを提案する。
  論文  参考訳（メタデータ） (2024-03-19T19:05:24Z)
• MISA: Unveiling the Vulnerabilities in Split Federated Learning [22.83568634599664]
  textitFederated Learning (FL) と textitsplit Learning (SL) は近年,分散パラダイムの主流となっている。 MISAと呼ばれる新規な中毒発作を発症し, 上層モデルと下層モデルの両方に毒を投与し, 劇的な精度低下を引き起こした。
  論文  参考訳（メタデータ） (2023-12-18T08:59:31Z)
• Decentralized Federated Learning: A Survey and Perspective [45.81975053649379]
  分散FL(DFL)は、中央サーバーを必要としない分散ネットワークアーキテクチャである。 DFLはクライアント間の直接通信を可能にし、通信リソースの大幅な節約をもたらす。
  論文  参考訳（メタデータ） (2023-06-02T15:12:58Z)
• Universal Adversarial Backdoor Attacks to Fool Vertical Federated Learning in Cloud-Edge Collaboration [13.067285306737675]
  本稿では,二元分類タスクの文脈における垂直連合学習(VFL)の脆弱性について検討する。 VFLの予測に悪影響を及ぼすため,UAB攻撃を導入した。 我々の手法は既存の最先端の手法を超越し、最大100%のバックドアタスク性能を実現している。
  論文  参考訳（メタデータ） (2023-04-22T15:31:15Z)
• Hierarchical Personalized Federated Learning Over Massive Mobile Edge Computing Networks [95.39148209543175]
  大規模MECネットワーク上でPFLをデプロイするアルゴリズムである階層型PFL(HPFL)を提案する。 HPFLは、最適帯域割り当てを共同で決定しながら、トレーニング損失最小化とラウンドレイテンシ最小化の目的を組み合わせる。
  論文  参考訳（メタデータ） (2023-03-19T06:00:05Z)
• Meta Federated Learning [57.52103907134841]
  フェデレートラーニング(FL)は、時間的敵攻撃の訓練に弱い。 本稿では,メタフェデレーション学習(Meta Federated Learning, Meta-FL)を提案する。
  論文  参考訳（メタデータ） (2021-02-10T16:48:32Z)

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。