KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-20
Varianzreduktion für stochastisches Schalten in funktional restringierter föderierter Optimierung
Originaltitel: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization
Beim föderierten Lernen für sicherheitskritische und fairness-sensible Anwendungen müssen Zielfunktionen unter funktionalen Nebenbedingungen optimiert werden, was aufgrund der kostspieligen Projektion auf die zulässige Menge, stochastischer Nebenbedingungsinformationen, partieller Client-Beteiligung und begrenzter Kommunikation eine Herausforderung darstellt. Die Autoren schlagen ein föderiertes stochastisches Switching-Framework auf Basis rein primaler Updates vor, das das Tuning von Dualvariablen vermeidet, und etablieren Konvergenz- und Zulässigkeitsgarantien mit hoher Wahrscheinlichkeit unter stochastischen Gradienten und partieller Client-Beteiligung. Varianzreduzierende Nebenbedingungsschätzer liefern verschwindende Zulässigkeits- und Stationaritätsgarantien bei fester Client-Beteiligung pro Runde und festen Batch-Größen für die Nebenbedingungsauswertung, und Experimente zur Neyman-Pearson-Klassifikation, zum Lernen mit Fairness-Nebenbedingungen auf dem ADULT-Datensatz sowie zum Deep Reinforcement Learning mit Nebenbedingungen belegen die Wirksamkeit des Frameworks.