الذكاء الاصطناعي ومشكلات العالم الصعبة · علوم الحاسوب النظرية · arXiv · 2026-10-20

خفض التباين للتبديل العشوائي في التحسين الفيدرالي المقيد داليًا

العنوان الأصلي: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization

في التعلم الفيدرالي للتطبيقات الحرجة سلامةً والحساسة للعدالة، يجب تحسين الأهداف في ظل قيود دالية، وهو أمر صعب بسبب الكلفة العالية للإسقاط على المجموعة الممكنة، والمعلومات العشوائية عن القيود، والمشاركة الجزئية للعملاء، ومحدودية الاتصال. يقترح المؤلفون إطارًا فيدراليًا للتبديل العشوائي قائمًا على تحديثات أولية فقط يتجنب ضبط المتغيرات المزدوجة، مؤسِّسًا ضمانات تقارب وقابلية تنفيذ باحتمالية عالية في ظل التدرجات العشوائية والمشاركة الجزئية للعملاء. وتحقق مقدِّرات القيود المُخفِّضة للتباين ضمانات قابلية تنفيذ وسكونية متلاشية مع مشاركة عملاء ثابتة في كل جولة وأحجام دفعات ثابتة لتقييم القيود، وتُظهر التجارب على تصنيف Neyman-Pearson، والتعلم المقيَّد بالعدالة على مجموعة بيانات ADULT، والتعلم المعزز العميق المقيَّد، فعالية هذا الإطار.

اقرأ المصدر الأصلي ↗

جميع العناصر →