AI dan Masalah-Masalah Sulit Dunia · Ilmu komputer teoretis · arXiv · 2026-10-20
Reduksi Varians untuk Peralihan Stokastik dalam Optimasi Terfederasi dengan Kendala Fungsional
Judul asli: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization
Dalam pembelajaran federasi untuk aplikasi yang kritis terhadap keselamatan dan sensitif terhadap keadilan, tujuan harus dioptimalkan di bawah kendala fungsional, yang menantang karena proyeksi ke himpunan layak yang mahal, informasi kendala yang stokastik, partisipasi klien yang parsial, dan komunikasi yang terbatas. Para penulis mengusulkan kerangka peralihan stokastik terfederasi berbasis pembaruan primal-only yang menghindari penyetelan variabel dual, menetapkan jaminan konvergensi dan kelayakan dengan probabilitas tinggi di bawah gradien stokastik dan partisipasi klien parsial. Estimator kendala pereduksi variansi menghasilkan jaminan kelayakan dan stasioneritas yang menuju nol dengan partisipasi klien per putaran dan ukuran batch evaluasi kendala yang tetap, dan eksperimen pada klasifikasi Neyman-Pearson, pembelajaran dengan kendala keadilan pada dataset ADULT, dan pembelajaran penguatan mendalam berkendala menunjukkan efektivitas kerangka ini.