論文の概要: Pay to Learn, Share to Earn: Incentivized Federated Multi-Player Bandits

• arxiv url: http://arxiv.org/abs/2610.06062v1
• Date: Mon, 05 Oct 2026 09:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:57:50.741306
• Title: Pay to Learn, Share to Earn: Incentivized Federated Multi-Player Bandits
• Title（参考訳）: 学費の支払い、株価の上昇-フェデレーション付きマルチプレイヤーバンドのインセンティブ
• Abstract要約: 協調的逐次意思決定をモデル化したフェデレーションマルチプレイヤーマルチアームバンディット問題 本稿では,サーバと情報を共有するための報酬をプレイヤーが受け取れる,インセンティブ対応のフェデレーション付きバンディットフレームワークを提案する。 UCBベースのアルゴリズムであるBuying-UCBを開発し、個々の探索と協調学習のバランスをとる。
• 参考スコア（独自算出の注目度）: 0.7630024695083343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated multi-player multi-armed bandit problems model collaborative sequential decision-making where multiple players interact with a common bandit environment and share information through a central server to accelerate learning. Existing federated bandit frameworks typically assume that all players willingly share their local observations with the server. However, this assumption is often unrealistic in practical settings where players are self-interested and may not participate in collaboration without explicit incentives. To address this challenge, we propose an incentive-aware federated bandit framework in which players receive rewards for sharing information with the server and incur costs when buying information from the server. We develop a UCB-based algorithm, termed Buying-UCB, that balances individual exploration and collaborative learning by incorporating both sharing incentives and information acquisition costs into the learning process. We theoretically analyze the proposed algorithm and derive upper bounds on the group regret and buying cost. Our analysis further characterizes the trade-off between fully collaborative federated learning and completely independent learning. Extensive numerical experiments validate the theoretical findings and demonstrate the effectiveness of the proposed framework under different collaboration and pricing regimes.
• Abstract（参考訳）: フェデレートされたマルチプレイヤーのマルチアームバンディット問題は、複数のプレイヤーが共通のバンディット環境と対話し、学習を加速するために中央サーバーを介して情報を共有する、協調的なシーケンシャルな意思決定をモデル化する。 既存の連合型バンディットフレームワークは通常、すべてのプレイヤーがサーバーとローカルな観測を積極的に共有していると仮定する。 しかし、この仮定は、プレイヤーが自己関心を持ち、明示的なインセンティブなしではコラボレーションに参加できない実践的な環境では非現実的であることが多い。 この課題に対処するために、プレイヤーがサーバと情報共有の報酬を受け取り、サーバから情報を購入する際にコストを発生させるインセンティブ対応のフェデレート・バンディット・フレームワークを提案する。 我々は,学習プロセスに共有インセンティブと情報取得コストの両方を組み込むことで,個人の探索と協調学習のバランスをとる,CBベースのアルゴリズムであるBuking-UCBを開発した。 提案したアルゴリズムを理論的に解析し,グループ後悔と購入コストの上限を導出する。 我々の分析は、完全に協調的な連合学習と完全に独立した学習とのトレードオフをさらに特徴付ける。 大規模数値実験により, 異なる協調・価格体系下での枠組みの有効性を検証し, 提案手法の有効性を実証した。

関連論文リスト

• Incentivizing Time-Aware Fairness in Data Sharing [73.83854445472149]
  協調的なデータ共有と機械学習では、複数のパーティがデータリソースを集約して、よりよいパフォーマンスで機械学習モデルをトレーニングする。 既存のフレームワークでは、すべての関係者が同時にコラボレーションに参加すると仮定しています。 我々は、新しいタイムアウェアインセンティブを含む、公正でタイムアウェアなデータ共有フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-10T10:29:32Z)
• TeamLoRA: Boosting Low-Rank Adaptation with Expert Collaboration and Competition [61.91764883512776]
  我々は,専門家のためのコラボレーション・コンペティション・モジュールからなる,革新的なPEFT手法であるTeamLoRAを紹介する。 そうすることで、TeamLoRAは専門家を"チーム"として内部のコラボレーションや競争に結び付け、マルチタスク学習のためのより高速で正確なPEFTパラダイムを可能にします。
  論文  参考訳（メタデータ） (2024-08-19T09:58:53Z)
• Federated Linear Contextual Bandits with Heterogeneous Clients [44.20391610280271]
  フェデレートされたバンディット学習は、プライベートで効率的で分散化されたオンライン学習のための有望なフレームワークである。 我々は,フェデレーション学習環境下での協調的バンディット学習のためのクライアントをクラスタ化する,異種クライアントのためのフェデレーション付きバンディットの新しいアプローチを提案する。 提案アルゴリズムは,すべてのクライアントに対して,連合学習下での通信プロトコルを前提として,非自明なサブ線形後悔と通信コストを実現する。
  論文  参考訳（メタデータ） (2024-02-29T20:39:31Z)
• Incentivized Communication for Federated Bandits [67.4682056391551]
  我々は,サーバがインセンティブを提供することでクライアントにデータを共有する動機付けを行う,フェデレートされた盗賊に対するインセンティブ付きコミュニケーション問題を導入する。 本稿では,実証可能な通信とインセンティブコスト保証により,ほぼ最適の後悔を実現する,最初のインセンティブ付き通信プロトコルであるInc-FedUCBを提案する。
  論文  参考訳（メタデータ） (2023-09-21T00:59:20Z)
• Neural Payoff Machines: Predicting Fair and Stable Payoff Allocations Among Team Members [13.643650155415484]
  ニューラルネットワークをトレーニングすることで,協調的なゲーム理論解を学習モデルに蒸留する方法を示す。 我々の手法はトレーニング分布から遠く離れたゲームに一般化できるモデルを作成する。 私たちのフレームワークの重要な応用は、説明可能なAIです。
  論文  参考訳（メタデータ） (2022-08-18T12:33:09Z)
• ABG: A Multi-Party Mixed Protocol Framework for Privacy-Preserving Cooperative Learning [13.212198032364363]
  本稿では、さまざまなデータ所有者が機械学習に協力できるプライバシー保護型多人数協調学習システムを提案する。 また,ロジスティック回帰やニューラルネットワークなど,一般的な機械学習手法に対して,特定のプライバシ保護計算プロトコルを設計する。 実験の結果,特に低レイテンシのネットワーク環境において,ABG$n$は優れた性能を示した。
  論文  参考訳（メタデータ） (2022-02-07T03:57:57Z)
• A Comprehensive Survey of Incentive Mechanism for Federated Learning [18.29559568325112]
  フェデレートラーニングは、参加者が提供した様々なリソースを利用して、グローバルモデルを協調的にトレーニングする。 フェデレート学習にいくらかの支払いをすることで、より多くの参加者に貴重なリソースを貢献させることは極めて重要です。
  論文  参考訳（メタデータ） (2021-06-27T12:24:15Z)
• Distributed Deep Learning in Open Collaborations [49.240611132653456]
  協調学習に特化して設計された新しいアルゴリズムフレームワークを提案する。 現実的な条件下でのSwaVとALBERTの事前学習に対するアプローチの有効性を実証し,コストのごく一部で従来の設定に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-06-18T16:23:13Z)
• Differentially-Private Federated Linear Bandits [15.609414012418043]
  scFedUCBは、集中型と分散化された(ピアツーピア)フェデレーションラーニングのためのマルチエージェントプライベートアルゴリズムである。 我々は、その実用性に関する厳密な技術的分析を後悔の観点から提供し、協調的盗賊学習のいくつかの結果を改善し、厳密なプライバシー保証も提供します。
  論文  参考訳（メタデータ） (2020-10-22T03:58:39Z)

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。