AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-20

فنکشنلی طور پر مقید فیڈریٹڈ آپٹیمائزیشن میں اسٹوکاسٹک سوئچنگ کے لیے ویرائنس میں کمی

اصل عنوان: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization

حفاظتی طور پر نازک اور انصاف کے لیے حساس ایپلیکیشنز کے لیے فیڈریٹڈ لرننگ میں، مقاصد کو فنکشنل پابندیوں کے تحت بہتر بنانا ضروری ہے، جو فیزیبل سیٹ پر مہنگے projection، اسٹوکاسٹک پابندی معلومات، جزوی کلائنٹ شرکت، اور محدود مواصلات کی وجہ سے مشکل ہے۔ مصنفین ایک فیڈریٹڈ اسٹوکاسٹک سوئچنگ فریم ورک تجویز کرتے ہیں جو primal-only اپ ڈیٹس پر مبنی ہے اور dual-variable ٹیوننگ سے بچتا ہے، اور اسٹوکاسٹک گریڈینٹس اور جزوی کلائنٹ شرکت کے تحت اعلیٰ احتمال والی convergence اور feasibility گارنٹیز قائم کرتے ہیں۔ ویریئنس کم کرنے والے constraint تخمینے، fixed فی راؤنڈ کلائنٹ شرکت اور constraint جانچ بیچ سائزز کے ساتھ، صفر ہو جانے والی feasibility اور stationarity گارنٹیز فراہم کرتے ہیں، اور Neyman-Pearson درجہ بندی، ADULT ڈیٹا سیٹ پر fairness کی پابندیوں والی لرننگ، اور پابندیوں والی ڈیپ رینفورسمنٹ لرننگ کے تجربات اس فریم ورک کی تاثیر کا مظاہرہ کرتے ہیں۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →