AI और दुनिया की कठिन समस्याएँ · सैद्धांतिक कंप्यूटर विज्ञान · arXiv · 2026-10-20

कार्यात्मक रूप से बाधित फेडरेटेड ऑप्टिमाइज़ेशन में स्टोकैस्टिक स्विचिंग के लिए वैरिएंस न्यूनीकरण

मूल शीर्षक: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization

सुरक्षा-महत्वपूर्ण और निष्पक्षता-संवेदनशील अनुप्रयोगों के लिए फेडरेटेड लर्निंग में, उद्देश्यों को फंक्शनल बाधाओं के अंतर्गत अनुकूलित किया जाना चाहिए, जो फीजिबल सेट पर महंगे प्रक्षेपण, स्टोकैस्टिक बाधा सूचना, आंशिक क्लाइंट भागीदारी और सीमित संचार के कारण चुनौतीपूर्ण है। लेखक प्राइमल-ओनली अपडेट पर आधारित एक फेडरेटेड स्टोकैस्टिक स्विचिंग फ्रेमवर्क प्रस्तावित करते हैं, जो डुअल-वेरिएबल ट्यूनिंग से बचता है, और स्टोकैस्टिक ग्रेडिएंट तथा आंशिक क्लाइंट भागीदारी के अंतर्गत उच्च-प्रायिकता अभिसरण और फीजिबिलिटी गारंटी स्थापित करता है। वेरिएंस-न्यूनीकरण करने वाले बाधा अनुमानक स्थिर प्रति-राउंड क्लाइंट भागीदारी और बाधा-मूल्यांकन बैच साइज के साथ लुप्त होती फीजिबिलिटी और स्टेशनैरिटी गारंटी देते हैं, तथा Neyman-Pearson वर्गीकरण, ADULT डेटासेट पर निष्पक्षता-बाधित लर्निंग, और बाधित डीप रीइन्फोर्समेंट लर्निंग पर प्रयोग फ्रेमवर्क की प्रभावशीलता प्रदर्शित करते हैं।

मूल लेख पढ़ें ↗

सभी आइटम →