Federated Learning for Discrete Optimal Transport with Large Population under Incomplete Information

要約

最適なトランスポートは、ソースとターゲットの間でリソースを効率的に割り当てるための強力なフレームワークです。
ただし、従来のモデルは、大規模で異種の集団が存在する場合、効果的に拡張するのが難しいことがよくあります。
この研究では、タイプの分布によって特徴付けられる、大規模で異種のターゲット集団を処理するように設計された離散最適輸送フレームワークを紹介します。
ターゲットのタイプ分布が既知の場合と未知の場合の 2 つのシナリオに対処します。
既知の分散については、最適なリソース割り当てを実現する完全分散アルゴリズムを提案します。
未知の分布の場合、プライバシーを保護しながら最適なトランスポート スキームの効率的な計算を可能にするフェデレーテッド ラーニング ベースのアプローチを開発します。
学習アルゴリズムのパフォーマンスを評価するために、ケーススタディが提供されています。

要約(オリジナル)

Optimal transport is a powerful framework for the efficient allocation of resources between sources and targets. However, traditional models often struggle to scale effectively in the presence of large and heterogeneous populations. In this work, we introduce a discrete optimal transport framework designed to handle large-scale, heterogeneous target populations, characterized by type distributions. We address two scenarios: one where the type distribution of targets is known, and one where it is unknown. For the known distribution, we propose a fully distributed algorithm to achieve optimal resource allocation. In the case of unknown distribution, we develop a federated learning-based approach that enables efficient computation of the optimal transport scheme while preserving privacy. Case studies are provided to evaluate the performance of our learning algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google