AI与世界难题 · 理论计算机科学 · arXiv · 2026-10-20
函数约束联邦优化中随机切换的方差缩减
原标题: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization
在面向安全关键和公平敏感应用的联邦学习中，目标必须在函数约束下进行优化，而向可行集投影代价高昂、约束信息具有随机性、客户端参与不完整以及通信受限，使这颇具挑战性。作者提出了一种基于纯原始（primal-only）更新的联邦随机切换框架，避免了对偶变量调参，并在随机梯度和部分客户端参与下建立了高概率的收敛性与可行性保证。方差缩减的约束估计器在每轮客户端参与量和约束评估批大小固定的情况下，带来了趋于零的可行性与平稳性保证；在 Neyman-Pearson 分类、ADULT 数据集上的公平性约束学习以及约束深度强化学习上的实验证明了该框架的有效性。