要旨: 連邦学習（FL）は、複数のエージェントにまたがる分散学習のための、通信効率の高いアルゴリズム的フレームワークとして出現してきた。標準的なFLの定式化は無制約問題または全体的制約を持つ問題を捉える一方で、実用的な設定の多くは異種のリソースやモデルの制約を伴い、エージェントごとに個別の実現可能集合を有する最適化問題へとつながる。ここでは、各エージェントが凸の局所目的関数とプライベートな制約集合を持つ、個別化された制約付き連合最適化問題を研究する。PC-FedAvgを提案する。各エージェントは、他のエージェントの変数を多ブロックの局所決定ベクトルを通じて相互推定（クロス推定）する方法で維持する。各エージェントはすべてのブロックを局所的に更新し、自身のブロック内の制約違反のみをペナルティ化する。さらに、クロス推定機構は、エージェント間での合意や制約情報の共有を要することなく、個別化を可能にする。我々は、サブ最適性のための通信複雑度を $\
個別化制約を備えたフェデレーテッドラーニングの性能保証に関する研究
arXiv cs.LG / 2026/3/23
📰 ニュースModels & Research
要点
- 本論文は、個別化制約付きフェデレーテッド最適化のための PC-FedAvg を提案する。各エージェントは凸の局所目的関数とプライベートな制約集合を有し、制約情報を共有することなくカスタマイズを可能にする。
- クロス推定機構を用いて、エージェントはすべてのブロックを局所的に更新し、自身のブロックにおける不適合性のみをペナルティ化することで、制約に関するグローバルな合意を回避する。
- 著者らは、サブ最適性の通信複雑度を O(ε^{-2})、エージェントごとの不適合性の通信複雑度を O(ε^{-1}) と導出し、MNIST および CIFAR-10 を用いた予備実験で理論を検証している。
- 本研究は、フェデレーテッドラーニングにおける異質なリソースとモデルの制約に対処し、より実用的でプライバシー保護に配慮した個別化 FL ソリューションへの貢献をしている。
