論文の概要: Cortex-FL: Agent-Mediated Collaboration for Federated Learning
- arxiv url: http://arxiv.org/abs/2611.17186v1
- Date: Thu, 12 Nov 2026 17:52:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.577125
- Title: Cortex-FL: Agent-Mediated Collaboration for Federated Learning
- Title(参考訳): Cortex-FL:フェデレーション学習のためのエージェント媒介協調
- Abstract要約: フェデレートラーニング(FL)により、独立したデータ所有者は、生データを集中することなく、協力的にモデルをトレーニングできる。
Cortex-FLは,自然言語で学習目標を表現し,モデルの学習に必要なコラボレーションを委譲する,エージェントネイティブなFLシステムである。
- 参考スコア(独自算出の注目度): 12.720924722751258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated learning (FL) enables independent data owners to train models collaboratively without centralizing raw data. However, identifying collaborators, preparing training tasks, and coordinating execution and incentives hinder its practical adoption by organizations without specialized expertise. We present Cortex-FL, an agent-native FL system that enables users to express learning objectives in natural language and delegate the collaboration required to train a model. Agents translate these objectives into shared tasks, discover collaborators, and negotiate participation agreements, connecting collaboration formation with distributed training and incentive management. The architecture separates agent coordination from local execution authority, allowing owners to delegate coordination while retaining control over their data, computation, and financial commitments. We demonstrate the complete workflow on a four-node deployment, in which a model requested in natural language proceeds through collaboration formation, contract-governed training, verified model delivery, and x402 settlement on a blockchain testnet.
- Abstract(参考訳): フェデレートラーニング(FL)により、独立したデータ所有者は、生データを集中することなく、協力的にモデルをトレーニングできる。
しかし、協力者の特定、訓練作業の準備、実行とインセンティブの調整は、専門知識のない組織による実践的な採用を妨げる。
Cortex-FLは,自然言語で学習目標を表現し,モデルの学習に必要なコラボレーションを委譲する,エージェントネイティブなFLシステムである。
エージェントはこれらの目標を共有タスクに変換し、協力者を見つけ、参加契約を交渉し、分散トレーニングとインセンティブ管理を結び付ける。
このアーキテクチャは、エージェントのコーディネーションをローカルな実行権限から分離し、データ、計算、財務的コミットメントの制御を維持しながら、オーナがコーディネーションを委譲できるようにする。
自然言語で要求されたモデルがコラボレーションの形成、契約統治型トレーニング、検証されたモデルデリバリ、ブロックチェーンテストネット上のx402解決を通じて進行する、4ノードデプロイメントの完全なワークフローを実演する。
関連論文リスト
- Learning Self-Orchestration in Decentralized Agent Swarms [69.26948968415893]
市場ベースのポストトレーニング(MPT)は、分散エージェント群におけるアクションポリシーと自己組織化を共同で学習するためのフレームワークである。
行動と入札行動の両方を学ぶことで、個々の能力と参加パターンが一緒に適応できます。
MPTは分散エージェントSwarmの再利用、スケーリング、堅牢性をサポートする。
論文 参考訳(メタデータ) (2026-10-15T17:51:57Z) - Humans' ALMANAC: A Human Collaboration Dataset of Action-Level Mental Model Annotations for Agent Collaboration [54.18136393879849]
本稿ではエージェント協調のための行動レベル精神モデルAnnotationsのデータセットであるALMANACについて述べる。
ALMANACには2,987の協調アクションがあり、それぞれに理論インフォームドのメンタルモデルアノテーションが組み合わされている。
本研究は、ALMANACが人間の協調動作をシミュレートするモデルの能力を評価する上で有用であることを示す。
論文 参考訳(メタデータ) (2026-06-04T16:56:12Z) - Trust Semantics Distillation for Collaborator Selection via Memory-Augmented Agentic AI [51.4138877170325]
本稿では,大規模AIモデル(LAM)に基づく教師・学生エージェントアーキテクチャに基づくタスク固有の信頼度セマンティックス蒸留モデルを提案する。
提案した2TSDモデルでは,協調者評価時間を短縮し,機器資源消費量を削減し,協調者選択の精度を向上させることができる。
論文 参考訳(メタデータ) (2025-09-09T21:18:31Z) - Tacit Learning with Adaptive Information Selection for Cooperative Multi-Agent Reinforcement Learning [13.918498667158119]
本稿では,情報選択と暗黙学習に基づく新しい協調型MARLフレームワークを提案する。
我々はゲーティングと選択機構を統合し、エージェントが環境変化に基づいて情報を適応的にフィルタリングできるようにする。
人気のあるMARLベンチマークの実験により、我々のフレームワークは最先端のアルゴリズムとシームレスに統合できることが示された。
論文 参考訳(メタデータ) (2024-12-20T07:55:59Z) - Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。
動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
論文 参考訳(メタデータ) (2024-03-11T09:21:11Z) - Is Centralized Training with Decentralized Execution Framework Centralized Enough for MARL? [34.00244359590573]
分散実行によるトレーニングは、協調的マルチエージェント強化学習のための一般的なフレームワークである。
マルチエージェント強化学習のためのCADP(Advising and Decentralized Pruning)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-27T03:15:24Z) - Behaviour-conditioned policies for cooperative reinforcement learning
tasks [41.74498230885008]
現実世界の様々なタスクにおいて、エージェントは未知のパートナーエージェントタイプと協力する必要がある。
深層強化学習モデルは、必要な機能を提供するためにトレーニングすることができるが、サンプルの非効率性と遅い学習に苦しむことが知られている。
本研究では,行動パターンの異なるエージェントの集団を合成的に生成する手法を提案する。
また、生成されたデータを効率的に利用し、メタ学習能力を得ることができるエージェントアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-10-04T09:16:41Z)
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。