論文の概要: Pathwise Individual Rationality in Federated Learning: A Mechanism-Architecture Co-Design

• arxiv url: http://arxiv.org/abs/2609.14591v1
• Date: Sun, 13 Sep 2026 15:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 12:40:38.833668
• Title: Pathwise Individual Rationality in Federated Learning: A Mechanism-Architecture Co-Design
• Title（参考訳）: フェデレートラーニングにおけるパーソナリティ : メカニズム-アーキテクチャ共設計
• Abstract要約: クライアントは、モデルの有効性を高めるために、プライバシ、コミュニケーション、計算コストをトレードオフする。 本稿では, 個別合理性 (IR) と真偽性 (Autarky) の両面から, このトレードオフを考察する。 本稿では,短期参加保証とパーソナライズされたモデル評価を組み合わせた新しい設計を提案する。
• 参考スコア（独自算出の注目度）: 13.821738908770982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Participation in federated learning (FL) comes at a cost. Clients trade off privacy, communication, and compute costs for potentially greater gains in model efficacy. This paper explores this tradeoff under the aegis of individual rationality (IR) versus autarky, the basic game-theoretic requirement that the federation provide utility no worse than local training. Using the above as the design target, we examine pathwise performance of FL, as a per-round bound on cumulative surplus, not just as an asymptotic equilibrium guarantee under different models of client data distribution heterogeneity. Along this path, clients can remain below their local-training baseline for hundreds of rounds. The natural remedy is to cap each client's per-round contribution so that this shortfall stays bounded, and we prove that it backfires, collapsing learning even at low-to-modest heterogeneity. We then propose a novel design that combines short-term participation guarantees with personalized model evaluation, while maintaining fair incentives. We provide a theoretical basis for this new approach and empirically demonstrate that clients can avoid short-term losses without harming overall performance, even under moderate data distribution heterogeneity; under severe heterogeneity, the design shows promising outcomes for clients compared to their local baseline at some cost in accuracy.
• Abstract（参考訳）: 連邦学習(FL)への参加には費用がかかる。 クライアントは、モデルの有効性を高めるために、プライバシ、コミュニケーション、計算コストをトレードオフする。 本稿では, 個別合理性 (IR) と自閉症 (Autarky) のエージの下で, このトレードオフを考察する。 以上を設計対象として,クライアントデータ分布の不均一性の異なるモデルにおける漸近平衡保証としてだけでなく,累積余剰量に基づくラウンドバウンドとしてFLのパスワイド性能を検討した。 この経路に沿って、クライアントは数百ラウンドのローカルトレーニングベースライン以下に留まることができる。 自然な対策は、各クライアントのラウンド毎のコントリビューションを上限にすることで、この不足が境界を保ち、低からモデムのヘテロジニティにおいても学習が崩壊することを証明することです。 次に、短期参加保証とパーソナライズされたモデル評価を組み合わせるとともに、公正なインセンティブを維持しつつ、新しいデザインを提案する。 我々は,本手法の理論的基盤を提供し,中等度なデータ分布の不均一性の下でも,クライアントが全体的な性能を損なうことなく短期的な損失を回避できることを実証的に示す。

関連論文リスト

• Federated Ensemble Learning with Progressive Model Personalization [1.1045253485823572]
  Federated Learningは分散学習のためのプライバシ保護パラダイムを提供するが、クライアント間の統計的異質性に悩まされている。 PFLの広く採用されているアプローチは、ニューラルネットワークを共有特徴抽出器とクライアント固有のヘッドに分解する。 既存のほとんどの手法は厳密で浅い頭部に依存しており、そのため原則的にこのトレードオフをナビゲートすることができない。 我々はこのトレードオフを円滑に制御できるブースティングインスパイアされたフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-15T17:35:52Z)
• Whom to Trust? Adaptive Collaboration in Personalized Federated Learning [11.923664505655026]
  共同作業における適応性ときめ細かな信頼は、個々の事例のレベルで、フェデレートされた半教師付き学習において達成可能であることを示す。 FEDMOSAICは、顧客による個人別合意と信頼度に基づいて、その損失と擬似ラベルへの貢献を重み付けするパーソナライズされた協調学習手法である。
  論文  参考訳（メタデータ） (2025-06-30T20:53:01Z)
• FedImpro: Measuring and Improving Client Update in Federated Learning [77.68805026788836]
  フェデレートラーニング(FL)モデルは、不均一なデータによって引き起こされるクライアントのドリフトを経験することが多い。 我々は、クライアントのドリフトに対する別の視点を示し、改善されたローカルモデルを生成することにより、それを緩和することを目指している。
  論文  参考訳（メタデータ） (2024-02-10T18:14:57Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• 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)
• Adaptive Federated Learning via New Entropy Approach [14.595709494370372]
  Federated Learning (FL) は、分散機械学習フレームワークとして注目されている。 本稿では,不均一クライアント間のパラメータ偏差を軽減するために,entropy理論(FedEnt)に基づく適応型FEDerated Learningアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-27T07:57:04Z)
• 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)
• 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)
• 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)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation [119.19061102064497]
  ブロックチェーンをFL、すなわちブロックチェーン支援分散学習(BLADE-FL)に統合することで、分散FLフレームワークを提案する。 提案されたBLADE-FLのラウンドでは、各クライアントはトレーニング済みモデルを他のクライアントにブロードキャストし、受信したモデルに基づいてブロックを生成し、次のラウンドのローカルトレーニングの前に生成されたブロックからモデルを集約します。 遅延クライアントがblade-flの学習性能に与える影響を調査し,最適なk,学習パラメータ,遅延クライアントの割合の関係を特徴付ける。
  論文  参考訳（メタデータ） (2021-01-18T07:19:08Z)
• An Efficiency-boosting Client Selection Scheme for Federated Learning with Fairness Guarantee [36.07970788489]
  フェデレートラーニング(Federated Learning)は、クライアントがモデルトレーニングをローカルに実行できるようにすることによって、プライバシ問題に対処する新たなパラダイムである。 クライアント選択ポリシーは、トレーニング効率、最終モデルの質、公平性の観点から、FLプロセスにとって重要なものです。 本稿では、Lyapunov最適化問題として保証されたクライアント選択の公平性をモデル化し、C2MABに基づくモデル交換時間推定法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T15:27:02Z)

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。