L'IA face aux grands problèmes du monde · Informatique théorique · arXiv · 2026-10-20
Réduction de la variance pour la commutation stochastique dans l'optimisation fédérée sous contraintes fonctionnelles
Titre original: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization
Dans l'apprentissage fédéré pour des applications critiques pour la sécurité et sensibles à l'équité, les objectifs doivent être optimisés sous contraintes fonctionnelles, ce qui est difficile en raison de la projection coûteuse sur l'ensemble réalisable, de l'information stochastique sur les contraintes, de la participation partielle des clients et de la communication limitée. Les auteurs proposent un cadre fédéré à commutation stochastique fondé sur des mises à jour uniquement en primal, qui évite le réglage des variables duales, établissant des garanties de convergence et de faisabilité avec forte probabilité sous gradients stochastiques et participation partielle des clients. Des estimateurs de contraintes à réduction de variance apportent des garanties de faisabilité et de stationnarité tendant vers zéro avec des participations de clients par tour et des tailles de lots d'évaluation de contraintes fixes, et des expériences sur la classification de Neyman-Pearson, l'apprentissage sous contraintes d'équité sur le jeu de données ADULT et l'apprentissage par renforcement profond sous contraintes démontrent l'efficacité du cadre.