論文の概要: Adaptive Client Sampling in Federated Learning via Online Learning with
Bandit Feedback
- arxiv url: http://arxiv.org/abs/2112.14332v1
- Date: Tue, 28 Dec 2021 23:50:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 23:59:13.539878
- Title: Adaptive Client Sampling in Federated Learning via Online Learning with
Bandit Feedback
- Title(参考訳): バンディットフィードバックを用いたオンライン学習による連合学習における適応的クライアントサンプリング
- Authors: Boxin Zhao, Ziqi Liu, Chaochao Chen, Mladen Kolar, Zhiqiang Zhang, and
Jun Zhou
- Abstract要約: クライアントサンプリングは、トレーニングアルゴリズムの収束速度において重要な役割を果たす。
本稿では,FLにおけるクライアントサンプリング問題を理解するためのオンライン学習フレームワークを提案する。
勾配推定のばらつきを最小限に抑えるためにオンラインミラーDescentアルゴリズムを適用することにより,新しい適応型クライアントサンプリングアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 24.11814170250964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In federated learning (FL) problems, client sampling plays a key role in the
convergence speed of training algorithm. However, while being an important
problem in FL, client sampling is lack of study. In this paper, we propose an
online learning with bandit feedback framework to understand the client
sampling problem in FL. By adapting an Online Stochastic Mirror Descent
algorithm to minimize the variance of gradient estimation, we propose a new
adaptive client sampling algorithm. Besides, we use online ensemble method and
doubling trick to automatically choose the tuning parameters in the algorithm.
Theoretically, we show dynamic regret bound with comparator as the
theoretically optimal sampling sequence; we also include the total variation of
this sequence in our upper bound, which is a natural measure of the intrinsic
difficulty of the problem. To the best of our knowledge, these theoretical
contributions are novel to existing literature. Moreover, by implementing both
synthetic and real data experiments, we show empirical evidence of the
advantages of our proposed algorithms over widely-used uniform sampling and
also other online learning based sampling strategies in previous studies. We
also examine its robustness to the choice of tuning parameters. Finally, we
discuss its possible extension to sampling without replacement and personalized
FL objective. While the original goal is to solve client sampling problem, this
work has more general applications on stochastic gradient descent and
stochastic coordinate descent methods.
- Abstract(参考訳): フェデレーション学習(fl)問題において、クライアントサンプリングは、学習アルゴリズムの収束速度において重要な役割を果たす。
しかし、FLにおいて重要な問題であるが、クライアントサンプリングは研究の欠如である。
本稿では,flにおけるクライアントサンプリング問題を理解するために,バンディットフィードバックフレームワークを用いたオンライン学習を提案する。
オンライン確率ミラー降下アルゴリズムを用いて勾配推定の分散を最小化することにより,新しい適応クライアントサンプリングアルゴリズムを提案する。
さらに,オンラインアンサンブル法と2倍の手法を用いて,アルゴリズムのチューニングパラメータを自動的に選択する。
理論的には、コンパレータに束縛された動的後悔を理論的に最適なサンプリングシーケンスとして示し、この問題の本質的な難しさの自然な尺度である上界におけるこの配列の総変動も含んでいる。
私たちの知る限りでは、これらの理論的な貢献は既存の文献に新しいものである。
さらに, 合成データと実データの両方を実装することで, 従来研究では, 広く使用されている一様サンプリングや, オンライン学習に基づくサンプリング戦略よりも, 提案アルゴリズムの利点を実証的に示す。
また、チューニングパラメータの選択に対するロバスト性についても検討する。
最後に,代替やパーソナライズされたflの目的に代えて,サンプリングへの拡張の可能性について論じる。
当初の目標は、クライアントサンプリング問題を解決することにあるが、この研究はより一般的な確率勾配降下法や確率座標降下法に応用されている。
関連論文リスト
- Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。
OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
論文 参考訳(メタデータ) (2025-01-06T21:16:51Z) - Adaptive teachers for amortized samplers [76.88721198565861]
償却推論(英: Amortized inference)とは、ニューラルネットワークなどのパラメトリックモデルをトレーニングし、正確なサンプリングが可能な所定の非正規化密度で分布を近似するタスクである。
オフ・ポリティクスのRLトレーニングは多様でハイ・リワードな候補の発見を促進するが、既存の手法は依然として効率的な探索の課題に直面している。
そこで本研究では,高次領域の優先順位付けにより,初等補正標本作成者(学生)の指導を指導する適応学習分布(教師)を提案する。
論文 参考訳(メタデータ) (2024-10-02T11:33:13Z) - Adaptive Federated Learning in Heterogeneous Wireless Networks with Independent Sampling [15.027267764009052]
Federated Learning (FL)アルゴリズムは、ストラグラー問題に対処し、通信効率を向上させるために、クライアントのランダムなサブセットをサンプリングする。
近年、様々なクライアントサンプリング手法が提案されているが、結合系やデータの不均一性には制限がある。
本稿では,FLのウォールクロック時間を最小限に抑えるため,新たなクライアントサンプリング手法を提案する。
論文 参考訳(メタデータ) (2024-02-15T16:51:38Z) - Enhanced Federated Optimization: Adaptive Unbiased Client Sampling with Reduced Variance [37.646655530394604]
Federated Learning(FL)は、ローカルデータを収集することなく、複数のデバイスでグローバルモデルをトレーニングする分散学習パラダイムである。
独立サンプリング手法を用いて,最初の適応型クライアントサンプリング器K-Vibを提案する。
K-Vibは、一連の通信予算の中で、後悔すべき$tildemathcalObig(Nfrac13Tfrac23/Kfrac43big)$の線形スピードアップを達成する。
論文 参考訳(メタデータ) (2023-10-04T10:08:01Z) - FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup
for Non-IID Data [54.81695390763957]
フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。
我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。
クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
論文 参考訳(メタデータ) (2023-09-18T12:35:05Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳(メタデータ) (2022-12-02T05:07:50Z) - Sampling Through the Lens of Sequential Decision Making [9.101505546901999]
我々はアダプティブ・サンプル・ウィズ・リワード(ASR)と呼ばれる報酬誘導型サンプリング戦略を提案する。
提案手法は,サンプリング過程を最適に調整し,最適性能を実現する。
情報検索とクラスタリングの実証的な結果は、異なるデータセット間でのASRのスーパーブパフォーマンスを示している。
論文 参考訳(メタデータ) (2022-08-17T04:01:29Z) - Tackling System and Statistical Heterogeneity for Federated Learning
with Adaptive Client Sampling [34.187387951367526]
フェデレーテッド・ラーニング(FL)アルゴリズムは、参加者数が大きい場合、通常、各(部分的な参加)の割合をサンプリングする。
最近の研究はFLの収束解析に焦点を当てている。
任意のクライアントサンプリング確率を持つFLアルゴリズムの新しい収束バウンダリを得る。
論文 参考訳(メタデータ) (2021-12-21T14:28:40Z) - Clustered Sampling: Low-Variance and Improved Representativity for
Clients Selection in Federated Learning [4.530678016396477]
本研究は,フェデレートラーニング(FL)におけるサーバとクライアント間の通信を最適化する問題に対処する。
FLの現在のサンプリングアプローチは、サーバクライアントの通信とトレーニングの安定性の観点から、偏見または不最適のいずれかです。
クラスタ化サンプリングがクライアントの表現性の向上とFLにおけるクライアント集約重みの分散の低減につながることを証明した。
論文 参考訳(メタデータ) (2021-05-12T18:19:20Z) - Straggler-Resilient Federated Learning: Leveraging the Interplay Between
Statistical Accuracy and System Heterogeneity [57.275753974812666]
フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。
本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
論文 参考訳(メタデータ) (2020-12-28T19:21:14Z) - Optimal Importance Sampling for Federated Learning [57.14673504239551]
フェデレートラーニングには、集中型と分散化された処理タスクが混在する。
エージェントとデータのサンプリングは概して一様であるが、本研究では一様でないサンプリングについて考察する。
エージェント選択とデータ選択の両方に最適な重要サンプリング戦略を導出し、置換のない一様サンプリングが元のFedAvgアルゴリズムの性能を向上させることを示す。
論文 参考訳(メタデータ) (2020-10-26T14:15:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。