AI এবং বিশ্বের কঠিন সমস্যাগুলো · তাত্ত্বিক কম্পিউটার বিজ্ঞান · arXiv · 2026-10-20

ফাংশনালি কনস্ট্রেইন্ড ফেডারেটেড অপ্টিমাইজেশনে স্টোকাস্টিক সুইচিংয়ের জন্য ভ্যারিয়েন্স হ্রাস

মূল শিরোনাম: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization

সেফটি-ক্রিটিক্যাল ও ফেয়ারনেস-সংবেদনশীল অ্যাপ্লিকেশনের জন্য ফেডারেটেড লার্নিং-এ ফাংশনাল কনস্ট্রেইন্টের অধীনে অবজেক্টিভ অপ্টিমাইজ করতে হয়, যা চ্যালেঞ্জিং কারণ ফিজিবল সেটে প্রোজেকশন ব্যয়বহুল, কনস্ট্রেইন্ট সংক্রান্ত তথ্য স্টোকাস্টিক, ক্লায়েন্ট অংশগ্রহণ আংশিক এবং যোগাযোগ সীমিত। লেখকেরা প্রাইমাল-অনলি আপডেটের ভিত্তিতে একটি ফেডারেটেড স্টোকাস্টিক সুইচিং ফ্রেমওয়ার্ক প্রস্তাব করেন, যা ডুয়াল-ভেরিয়েবল টিউনিং এড়িয়ে যায় এবং স্টোকাস্টিক গ্রেডিয়েন্ট ও আংশিক ক্লায়েন্ট অংশগ্রহণের অধীনে হাই-প্রোবাবিলিটি কনভারজেন্স ও ফিজিবিলিটি গ্যারান্টি প্রতিষ্ঠা করে। ভ্যারিয়েন্স-হ্রাসকারী কনস্ট্রেইন্ট এস্টিমেটর নির্দিষ্ট প্রতি-রাউন্ড ক্লায়েন্ট অংশগ্রহণ ও কনস্ট্রেইন্ট-মূল্যায়ন ব্যাচ সাইজের সঙ্গে বিলুপ্তমান ফিজিবিলিটি ও স্টেশনারিটি গ্যারান্টি প্রদান করে, এবং Neyman-Pearson শ্রেণিবিভাগ, ADULT ডেটাসেটে ফেয়ারনেস-কনস্ট্রেইন্ড লার্নিং এবং কনস্ট্রেইন্ড ডিপ রিইনফোর্সমেন্ট লার্নিং-এ পরীক্ষাগুলি ফ্রেমওয়ার্কটির কার্যকারিতা প্রদর্শন করে।

মূল লেখা পড়ুন ↗

সব আইটেম →