桥梁网络实时损伤评估的数据定价与选择
机器学习
2025-09-24 v1 人工智能
摘要
在人工智能时代，市场已成为促进数据产品交换以促进数据共享的关键平台。模型交易提供了数据市场中的经济解决方案，增强数据可重用性并确保数据所有权的可追溯性。为了建立可信赖的数据市场，联邦学习 (FL) 已成为一种有前景的范畴，以在保护数据隐私的同时实现跨孤立数据集的协作学习。然而，在 FL 环境中从异构来源进行有效的数据定价和选择仍是关键挑战。本文引入了一个以 Wasserstein-based estimator 为中心的综合框架，专为 FL 而设计。该估计器不仅预测数据组合组合下的模型性能，还揭示了数据异构性与 FL 聚合算法之间的兼容性。为确保隐私，我们提出了一种分布式方法来近似 Wasserstein 距离，而无需访问原始数据。此外，我们演示了在神经比例定律下，模型性能可可靠地外推，从而在不进行完整规模训练的情况下实现有效的数据选择。广泛的实验在各种场景下都表明了这种方法的有效性，例如标签不平衡、误标记和无标签来源，显示出我们的方法始终能够识别高性能数据组合，为更可靠的基于 FL 的模型市场铺平了道路。
引用
@article{arxiv.2509.18105,
title = {BULL-ODE: Bullwhip Learning with Neural ODEs and Universal Differential Equations under Stochastic Demand},
author = {Nachiket N. Naik and Prathamesh Dinesh Joshi and Raj Abhijit Dandekar and Rajat Dandekar and Sreedath Panat},
journal= {arXiv preprint arXiv:2509.18105},
year = {2025}
}