Buchumschlag

Incentivizing Truthful Collaboration in Heterogeneous Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chakarov, Dimitar, Tsoy, Nikita, Minchev, Kristian, Konstantinov, Nikola
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Science and Game Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Provable Mutual Benefits from Federated Learning in Privacy-Sensitive Domains
von: Tsoy, Nikita, et al.
Veröffentlicht: (2024)

Incentivizing Honesty among Competitors in Collaborative Learning and Optimization
von: Dorner, Florian E., et al.
Veröffentlicht: (2023)

Incentivized Truthful Communication for Federated Bandits
von: Wei, Zhepei, et al.
Veröffentlicht: (2024)

Incentivized Collaboration in Active Learning
von: Cohen, Lee, et al.
Veröffentlicht: (2023)

Collaborative Mean Estimation Among Heterogeneous Strategic Agents: Individual Rationality, Fairness, and Truthful Contribution
von: Clinton, Alex, et al.
Veröffentlicht: (2024)

Strategic Incentivization for Locally Differentially Private Federated Learning
von: Pagoti, Yashwant Krishna, et al.
Veröffentlicht: (2025)

Gradient Manipulation in Distributed Stochastic Gradient Descent with Strategic Agents: Truthful Incentives with Convergence Guarantees
von: Chen, Ziqin, et al.
Veröffentlicht: (2026)

Incentivizing Truthful Language Models via Peer Elicitation Games
von: Chen, Baiting, et al.
Veröffentlicht: (2025)

Incentive-Theoretic Bayesian Inference for Collaborative Science
von: Bates, Stephen, et al.
Veröffentlicht: (2023)

Knowledge-Free Correlated Agreement for Incentivizing Federated Learning
von: Witt, Leon, et al.
Veröffentlicht: (2026)

Incentivized Learning in Principal-Agent Bandit Games
von: Scheid, Antoine, et al.
Veröffentlicht: (2024)

Learning to Lead: Incentivizing Strategic Agents in the Dark
von: Wu, Yuchen, et al.
Veröffentlicht: (2025)

A Bayesian Incentive Mechanism for Poison-Resilient Federated Learning
von: Commey, Daniel, et al.
Veröffentlicht: (2025)

Geometry Meets Incentives: Sample-Efficient Incentivized Exploration with Linear Contexts
von: Schiffer, Benjamin, et al.
Veröffentlicht: (2025)

Incentivize Contribution and Learn Parameters Too: Federated Learning with Strategic Data Owners
von: Doshi, Drashthi, et al.
Veröffentlicht: (2025)

Free-Rider and Conflict Aware Collaboration Formation for Cross-Silo Federated Learning
von: Chen, Mengmeng, et al.
Veröffentlicht: (2024)

Federated Learning for Data Market: Shapley-UCB for Seller Selection and Incentives
von: Chen, Kongyang, et al.
Veröffentlicht: (2024)

A Service-Oriented Adaptive Hierarchical Incentive Mechanism for Federated Learning
von: Cao, Jiaxing, et al.
Veröffentlicht: (2025)

Learning to Incentivize in Repeated Principal-Agent Problems with Adversarial Agent Arrivals
von: Liu, Junyan, et al.
Veröffentlicht: (2025)

Calibration without Ground Truth
von: Kong, Yuqing, et al.
Veröffentlicht: (2026)

Prior-Agnostic Incentive-Compatible Exploration
von: Ramalingam, Ramya, et al.
Veröffentlicht: (2026)

Copyright-Aware Incentive Scheme for Generative Art Models Using Hierarchical Reinforcement Learning
von: Shi, Zhuan, et al.
Veröffentlicht: (2024)

Position: Machine Learning for Heart Transplant Allocation Policy Optimization Should Account for Incentives
von: Anagnostides, Ioannis, et al.
Veröffentlicht: (2026)

Design of Two-Level Incentive Mechanisms for Hierarchical Federated Learning
von: Chu, Shunfeng, et al.
Veröffentlicht: (2023)

Incentive Allocation in Vertical Federated Learning Based on Bankruptcy Problem
von: Khan, Afsana, et al.
Veröffentlicht: (2023)

Incentive-compatible Bandits: Importance Weighting No More
von: Zimmert, Julian, et al.
Veröffentlicht: (2024)

Incentivizing Time-Aware Fairness in Data Sharing
von: Chen, Jiangwei, et al.
Veröffentlicht: (2025)

Deep Incentive Design with Differentiable Equilibrium Blocks
von: Thoma, Vinzenz, et al.
Veröffentlicht: (2026)

Incentivizing Exploration with Linear Contexts and Combinatorial Actions
von: Sellke, Mark
Veröffentlicht: (2023)

Statistically Truthful Auctions via Acceptance Rule
von: Lotan, Roy Maor, et al.
Veröffentlicht: (2024)

Hedging and Approximate Truthfulness in Traditional Forecasting Competitions
von: Monroe, Mary, et al.
Veröffentlicht: (2024)

How Can Incentives and Cut Layer Selection Influence Data Contribution in Split Federated Learning?
von: Lee, Joohyung, et al.
Veröffentlicht: (2024)

Adversaries With Incentives: A Strategic Alternative to Adversarial Robustness
von: Ehrenberg, Maayan, et al.
Veröffentlicht: (2024)

Incentivizing High-Quality Human Annotations with Golden Questions
von: Liu, Shang, et al.
Veröffentlicht: (2025)

Truthful mechanisms for linear bandit games with private contexts
von: Hu, Yiting, et al.
Veröffentlicht: (2025)

Improved Bandits in Many-to-one Matching Markets with Incentive Compatibility
von: Kong, Fang, et al.
Veröffentlicht: (2024)

Leaderboard Incentives: Model Rankings under Strategic Post-Training
von: Chen, Yatong, et al.
Veröffentlicht: (2026)

No-Regret Algorithms in non-Truthful Auctions with Budget and ROI Constraints
von: Aggarwal, Gagan, et al.
Veröffentlicht: (2024)

Randomized Truthful Auctions with Learning Agents
von: Aggarwal, Gagan, et al.
Veröffentlicht: (2024)

Learning Truthful Mechanisms without Discretization
von: Ma, Yunxuan, et al.
Veröffentlicht: (2025)