AI 與世界的難題 · 理論資訊科學 · arXiv · 2026-10-20
函數受限聯邦最佳化中隨機切換之變異數縮減
原標題: Variance Reduction for Stochastic Switching in Functionally Constrained Federated Optimization
在安全攸關且公平性敏感的應用中,聯邦式學習的目標必須在函數型約束下進行最佳化,而這因投影至可行集合的成本高昂、約束資訊具隨機性、客戶端僅部分參與以及通訊受限而充滿挑戰。作者提出一個基於純原始更新的聯邦式隨機切換框架,可避免調校對偶變數,並在隨機梯度與部分客戶端參與的情況下,建立高機率的收斂性與可行性保證。透過能降低變異數的約束估計量,在每輪客戶端參與量與約束評估批次大小固定的條件下,即可獲得趨近於零的可行性與平穩性保證;而在 Neyman-Pearson 分類、ADULT 資料集上的公平性約束學習,以及受約束深度強化學習等實驗中,皆證明了此框架的成效。