IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-20
Redução de Variância para Comutação Estocástica em Otimização Federada Funcionalmente Restrita
Título original: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization
No aprendizado federado para aplicações críticas de segurança e sensíveis à equidade, os objetivos devem ser otimizados sob restrições funcionais, o que é desafiador devido à projeção custosa no conjunto viável, à informação estocástica sobre as restrições, à participação parcial dos clientes e à comunicação limitada. Os autores propõem uma estrutura federada estocástica de comutação baseada em atualizações somente do primal que evita o ajuste de variáveis duais, estabelecendo garantias de convergência e viabilidade com alta probabilidade sob gradientes estocásticos e participação parcial dos clientes. Estimadores de restrições com redução de variância fornecem garantias de viabilidade e estacionariedade que tendem a zero com participação fixa de clientes por rodada e tamanhos de lote fixos de avaliação de restrições, e experimentos em classificação de Neyman-Pearson, aprendizado com restrições de equidade no conjunto de dados ADULT e aprendizado por reforço profundo com restrições demonstram a eficácia da estrutura.