AIが解く世界の難問 · 計算機科学の理論 · arXiv · 2026-10-20
関数制約付き連合最適化における確率的スイッチングのための分散削減
原題: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization
安全が重要で公平性にも敏感な応用で使われる連合学習では、関数制約の下で学習目的を最適化する必要があるが、実行可能集合への射影のコスト、確率的な制約情報、一部のクライアントのみの参加、限られた通信が課題になる。本研究は双対変数のチューニングを避ける主問題のみの更新に基づく連合確率的スイッチング枠組みを提案し、確率的勾配と部分的なクライアント参加の下で高確率の収束・実行可能性保証を確立した。さらに分散削減型の制約推定量を開発し、ラウンドごとの参加クライアント数と制約評価バッチサイズを固定したまま消滅する実行可能性・定常性保証を達成し、Neyman-Pearson分類、ADULTデータセットでの公平性制約学習、制約付き深層強化学習で枠組みの有効性を示した。