Delegating Data Collection in Decentralized Machine Learning

要約

分散型機械学習 (ML) エコシステムの出現を動機として、私たちはデータ収集の委任について研究しています。
契約理論の分野を出発点として、分散型 ML で生じる 2 つの基本的な情報の非対称性、つまりモデルの品質評価における不確実性とモデルの最適なパフォーマンスに関する不確実性に対処する最適および最適に近い契約を設計します。
我々は、最適効用の 1-1/e 部分を達成する単純な線形契約を通じて、プリンシパルがそのような非対称性に対処できることを示します。
最適なパフォーマンスに関する先験的な知識の欠如に対処するために、最適な契約を適応的かつ効率的に計算できる凸型プログラムを提供します。
また、線形契約についても研究し、複数の相互作用のより複雑な設定における最適な効用を導き出します。

要約(オリジナル)

Motivated by the emergence of decentralized machine learning (ML) ecosystems, we study the delegation of data collection. Taking the field of contract theory as our starting point, we design optimal and near-optimal contracts that deal with two fundamental information asymmetries that arise in decentralized ML: uncertainty in the assessment of model quality and uncertainty regarding the optimal performance of any model. We show that a principal can cope with such asymmetry via simple linear contracts that achieve 1-1/e fraction of the optimal utility. To address the lack of a priori knowledge regarding the optimal performance, we give a convex program that can adaptively and efficiently compute the optimal contract. We also study linear contracts and derive the optimal utility in the more complex setting of multiple interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google