Incentivar las contribuciones inclusivas en los mercados de intercambio de modelos

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Ciencia de los datos

Sus antecedentes:

• Los datos públicos están a punto de agotarse para entrenar modelos de IA.
• Los datos privados descentralizados ofrecen un gran potencial, pero se enfrentan a barreras de privacidad e incentivos.

Objetivo del estudio:

• Proponer un marco de aprendizaje federado personalizado inclusivo e incentivado (iPFL).
• Permitir el entrenamiento colaborativo de modelos de IA personalizados sin exposición a datos sin procesar.
• Para abordar las preocupaciones de privacidad e incentivar el intercambio de datos de diversos titulares.

Principales métodos:

• Desarrolló un mercado de intercambio de modelos utilizando la optimización de la capacitación basada en gráficos.
• Incorporó un mecanismo de incentivos basado en la teoría de juegos.
• Asegurar el cumplimiento de las propiedades de racionalidad y compatibilidad de los incentivos individuales.

Principales resultados:

• iPFL logró la mayor utilidad económica en once tareas de IA.
• Se ha demostrado un rendimiento del modelo comparable o superior al de los métodos de referencia.
• Los estudios empíricos validaron la eficacia del marco, incluso para los grandes modelos lingüísticos.

Conclusiones:

• iPFL ofrece una solución viable para aprovechar los datos privados en IA.
• El marco equilibra con éxito la privacidad, los incentivos y el rendimiento del modelo.
• iPFL allana el camino para un desarrollo más inclusivo y eficiente de la IA.