La IA y los problemas difíciles del mundo · Informática teórica · arXiv · 2026-10-20
Reducción de varianza para la conmutación estocástica en optimización federada con restricciones funcionales
Título original: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization
En el aprendizaje federado para aplicaciones críticas para la seguridad y sensibles a la equidad, los objetivos deben optimizarse bajo restricciones funcionales, lo cual es desafiante debido a la proyección costosa sobre el conjunto factible, la información estocástica de las restricciones, la participación parcial de los clientes y la comunicación limitada. Los autores proponen un marco federado de conmutación estocástica basado en actualizaciones únicamente primales que evita el ajuste de variables duales, estableciendo garantías de convergencia y factibilidad con alta probabilidad bajo gradientes estocásticos y participación parcial de los clientes. Estimadores de restricciones con reducción de varianza producen garantías de factibilidad y estacionariedad que se desvanecen, con tamaños fijos de participación de clientes por ronda y de lotes de evaluación de restricciones, y los experimentos sobre clasificación de Neyman-Pearson, aprendizaje con restricciones de equidad en el conjunto de datos ADULT y aprendizaje por refuerzo profundo con restricciones demuestran la efectividad del marco.