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

• 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)
• Learning Sampling Distributions for Model Predictive Control [36.82905770866734]
  モデル予測制御(MPC)に対するサンプリングに基づくアプローチは、MPCに対する現代のアプローチの基盤となっている。 我々は、学習された分布を最大限に活用できるように、潜在空間における全ての操作を実行することを提案する。 具体的には、学習問題を双方向の最適化として捉え、バックプロパゲーションスルータイムでコントローラをトレーニングする方法を示す。
  論文  参考訳（メタデータ） (2022-12-05T20:35:36Z)
• 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)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• 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)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• 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)

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。