協調して競争する：協調的なデータ生成とインセンティブ設計による、協調競争型クロスシロ連合学習の枠組み

Abstract

医療などデータに敏感な領域では、クロスサイト・フェデレーテッド学習（CFL）により、組織は生データを共有せずに協力してAIモデルを共同で学習できます。しかし、実運用のCFL導入は本質的に競争と協調が同居する（coopetitive）性質を持ち、組織はモデル学習の場面では協力しつつ、下流の市場では競争します。このような状況では、データ量、質、多様性を含む学習への貢献がグローバルモデルを改善しうる一方で、知らず知らずのうちに競合を強化してしまうことがあります。このジレンマは、非IIDデータによってさらに増幅されます。非IIDデータは学習の獲得が非対称になり、継続的な参加を損なうからです。既存の、競争を意識したCFLやインセンティブ設計のアプローチは、限界的な学習貢献に基づいて組織に報酬を与えますが、競合を強化することによるコストを考慮できていません。本論文では、非IIDデータと組織間の競争を同時にモデル化し、GenAIに基づく合成データ生成を戦略的意思決定として内生化する、協調と競争に両対応可能なデータ生成・インセンティブ枠組み CoCoGen+ を提案します。具体的には、CoCoGen+ は各学習ラウンドを重み付きポテンシャルゲームとして定式化し、組織が、学習性能の向上による利益と、計算コストおよび競争によって生じる効用損失とのバランスを取りながら、どれだけの合成データを生成するかを戦略的に決定します。次に、実行可能な均衡の特徴づけを与え、社会的厚生を最大化する生成戦略を導出します。長期的な協調を促進するために、組織の貢献と、競争によって生じる効用の低下を補償するための、利得再配分に基づくインセンティブ機構を統合します。様々な学習タスクに関する実験により、CoCoGen+ の実現可能性が検証されます。その結果、非IIDデータ、競争の強さ、インセンティブが組織の戦略と社会的厚生をどのように形作るかを示すとともに、CoCoGen+ が効率においてベースラインを上回ることが分かります。