A Framework for Incentivized Collaborative Learning

要約

企業、研究所、AI エージェント、エッジ デバイスなど、さまざまなエンティティ間のコラボレーションは、単一のエンティティだけでは達成できない機械学習タスクを達成するためにますます重要になっています。
これは、セキュリティ上の制約、プライバシー上の懸念、計算リソースの制限などの要因によるものと考えられます。
その結果、協調学習（CL）研究が勢いを増しています。
ただし、CL の実際の適用における重要な課題は、コラボレーションが行われる前に、複数のエンティティにコラボレーションの動機を効果的に与える方法です。
この研究では、インセンティブ付き協調学習の一般的なフレームワークである ICL を提案し、いつ、なぜインセンティブがコラボレーションのパフォーマンスを向上させることができるかという重要な問題についての洞察を提供します。
さらに、理論と実験結果の両方を用いて、連合学習、支援学習、およびマルチアームバンディットの特定のケースに対する ICL の幅広い適用可能性を示します。

要約(オリジナル)

Collaborations among various entities, such as companies, research labs, AI agents, and edge devices, have become increasingly crucial for achieving machine learning tasks that cannot be accomplished by a single entity alone. This is likely due to factors such as security constraints, privacy concerns, and limitations in computation resources. As a result, collaborative learning (CL) research has been gaining momentum. However, a significant challenge in practical applications of CL is how to effectively incentivize multiple entities to collaborate before any collaboration occurs. In this study, we propose ICL, a general framework for incentivized collaborative learning, and provide insights into the critical issue of when and why incentives can improve collaboration performance. Furthermore, we show the broad applicability of ICL to specific cases in federated learning, assisted learning, and multi-armed bandit with both theory and experimental results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google