Utility-Maximizing Bidding Strategy for Data Consumers in Auction-based Federated Learning

要約

オークションベースのFederated Learning（AFL）は、経済的手段によってデータ所有者にFLへの参加を動機付けることができるため、幅広い研究関心を集めている。既存の研究では、AFL市場（すなわち独占市場）には1つのデータ消費者と複数のデータ所有者しか存在しないと仮定している。したがって、データ所有者は、FLに参加するためにデータ消費者に入札する。しかし、この仮定は、複数のデータ消費者がそれぞれのFLタスクに参加するデータ所有者を引き付けるために競争できる、実用的なAFL市場においては現実的でない。本論文では、連合学習におけるデータ消費者のための実用性最大化入札戦略（Fed-Bidder）を提案することによって、このギャップを埋めます。Fed-Bidderは、異なる市場ダイナミクスを反映した多様な形の落札関数に対応できる効用推定機能を提供することにより、複数のFLデータ消費者がAFLを介して効果的かつ効率的にデータ所有者を争奪することを可能にする。一般的に採用されている6つのベンチマークデータセットに基づく広範な実験により、Fed-Bidderが4つの最先端アプローチと比較して著しく有利であることが示された。

要約(オリジナル)

Auction-based Federated Learning (AFL) has attracted extensive research interest due to its ability to motivate data owners to join FL through economic means. Existing works assume that only one data consumer and multiple data owners exist in an AFL marketplace (i.e., a monopoly market). Therefore, data owners bid to join the data consumer for FL. However, this assumption is not realistic in practical AFL marketplaces in which multiple data consumers can compete to attract data owners to join their respective FL tasks. In this paper, we bridge this gap by proposing a first-of-its-kind utility-maximizing bidding strategy for data consumers in federated learning (Fed-Bidder). It enables multiple FL data consumers to compete for data owners via AFL effectively and efficiently by providing with utility estimation capabilities which can accommodate diverse forms of winning functions, each reflecting different market dynamics. Extensive experiments based on six commonly adopted benchmark datasets show that Fed-Bidder is significantly more advantageous compared to four state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL