Fugu-MT 論文翻訳(概要): Convergence of Agnostic Federated Averaging

論文の概要: Convergence of Agnostic Federated Averaging

arxiv url: http://arxiv.org/abs/2507.10325v1
Date: Mon, 14 Jul 2025 14:32:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-15 18:48:25.158769
Title: Convergence of Agnostic Federated Averaging
Title（参考訳）: Agnostic Federated Averaging の収束性
Authors: Herlock, Rahimi, Dionysis Kalogerias,
Abstract要約: フェデレートラーニング(FL)は、生データを集中化せずに、分散モデルトレーニングを可能にする。クライアントは、サーバアグリゲーションに断続的に参加し、未知の、おそらくバイアスのある参加確率で参加する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated learning (FL) enables decentralized model training without centralizing raw data. However, practical FL deployments often face a key realistic challenge: Clients participate intermittently in server aggregation and with unknown, possibly biased participation probabilities. Most existing convergence results either assume full-device participation, or rely on knowledge of (in fact uniform) client availability distributions -- assumptions that rarely hold in practice. In this work, we characterize the optimization problem that consistently adheres to the stochastic dynamics of the well-known \emph{agnostic Federated Averaging (FedAvg)} algorithm under random (and variably-sized) client availability, and rigorously establish its convergence for convex, possibly nonsmooth losses, achieving a standard rate of order $\mathcal{O}(1/\sqrt{T})$, where $T$ denotes the aggregation horizon. Our analysis provides the first convergence guarantees for agnostic FedAvg under general, non-uniform, stochastic client participation, without knowledge of the participation distribution. We also empirically demonstrate that agnostic FedAvg in fact outperforms common (and suboptimal) weighted aggregation FedAvg variants, even with server-side knowledge of participation weights.
Abstract（参考訳）: フェデレートラーニング(FL)は、生データを集中化せずに、分散モデルトレーニングを可能にする。しかし、実際のFLデプロイメントは、しばしば重要な現実的な課題に直面します。既存のコンバージェンスの結果のほとんどは、フルデバイスへの参加を前提とするか、あるいは(実際に均一な)クライアントの可用性分布に関する知識に依存しています。本研究では、ランダムな(かつ可変サイズの)クライアントアベイラビリティの下で、よく知られた \emph{agnostic Federated Averaging (FedAvg)} アルゴリズムの確率的ダイナミクスに一貫して固執する最適化問題を特徴付け、その収束性(おそらく非滑らかな損失)を厳格に確立し、$\mathcal{O}(1/\sqrt{T})$の標準レートを達成する。我々の分析は、一般の非一様確率的クライアント参加の下でのFedAvgの収束保証を、参加分布を知らずに初めて提供する。また、サーバ側でもFedAvgが共通(および準最適)重み付けのFedAvg変異よりも優れていることを実証的に実証した。

関連論文リスト

Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable [9.870718388000645]
この作業は、フェデレートラーニング(FL)における根本的な課題に取り組む。一般的なFedAvgスタイルのアルゴリズムが正確な収束に苦しむことは確実である。 FOCUS, Federated Optimization with Exact Convergence through Push-pull Strategy, a Proprovably convergeent algorithm。
論文参考訳（メタデータ） (2025-03-25T23:54:23Z)
Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文参考訳（メタデータ） (2025-01-17T04:00:50Z)
Debiasing Federated Learning with Correlated Client Participation [25.521881752822164]
本稿では,FLのクライアント参加をマルコフ連鎖としてモデル化する理論的枠組みを紹介する。すべてのクライアントは、再参加する前に最低限の$R$ラウンド(最小分離)を待たなければならない。我々は、不偏の最適解に確実に収束するFedAvgの効果的な脱バイアスアルゴリズムを開発する。
論文参考訳（メタデータ） (2024-10-02T03:30:53Z)
Efficient Federated Learning against Heterogeneous and Non-stationary Client Unavailability [23.466997173249034]
FedAPMには、(i)標準のFedAvgに対して(1)O$追加のメモリ計算で使用不能な計算を行うための新しい構造が含まれている。非定常力学であるにもかかわらず、FedAPMは静止点にも収束することを示す。
論文参考訳（メタデータ） (2024-09-26T00:38:18Z)
Momentum Benefits Non-IID Federated Learning Simply and Provably [22.800862422479913]
フェデレートラーニングは大規模機械学習の強力なパラダイムである。 FedAvgとSCAFFOLDは、これらの課題に対処する2つの顕著なアルゴリズムである。本稿では,FedAvgとSCAFFOLDの性能向上のための運動量の利用について検討する。
論文参考訳（メタデータ） (2023-06-28T18:52:27Z)
A Lightweight Method for Tackling Unknown Participation Statistics in Federated Averaging [39.15781847115902]
フェデレートラーニング(FL)では、クライアントは通常、事前に不明な多様な参加統計を持つ。我々は、最適重みのオンライン推定に基づいてクライアント更新を適応的に重み付けすることで、FedAvgを改善するFedAUという新しいアルゴリズムを提案する。我々の理論的結果は、FedAUが元の目的の最適解に収束することを示しながら、重要かつ興味深い洞察を明らかにした。
論文参考訳（メタデータ） (2023-06-06T04:32:10Z)
Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。本稿では,共形予測を連邦学習環境に拡張する。本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文参考訳（メタデータ） (2023-05-27T19:57:27Z)
Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文参考訳（メタデータ） (2023-05-01T20:04:46Z)
FedSkip: Combatting Statistical Heterogeneity with Federated Skip Aggregation [95.85026305874824]
我々はFedSkipと呼ばれるデータ駆動型アプローチを導入し、フェデレーション平均化を定期的にスキップし、ローカルモデルをクロスデバイスに分散することで、クライアントの最適化を改善する。我々は、FedSkipがはるかに高い精度、より良いアグリゲーション効率、競合する通信効率を達成することを示すために、さまざまなデータセットに関する広範な実験を行う。
論文参考訳（メタデータ） (2022-12-14T13:57:01Z)
Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
論文参考訳（メタデータ） (2022-12-03T03:27:51Z)
FL Games: A Federated Learning Framework for Distribution Shifts [71.98708418753786]
フェデレートラーニングは、サーバのオーケストレーションの下で、クライアント間で分散されたデータの予測モデルをトレーニングすることを目的としている。本稿では,クライアント間で不変な因果的特徴を学習するフェデレーション学習のためのゲーム理論フレームワークFL GAMESを提案する。
論文参考訳（メタデータ） (2022-10-31T22:59:03Z)
A Unified Analysis of Federated Learning with Arbitrary Client Participation [39.15781847115902]
Federated Learning(FL)は、断続的なクライアント可用性と計算/通信効率の課題に直面します。部分的なクライアントの参加が収束にどのように影響するかを理解することが重要です。我々は、任意のクライアント参加を伴うFLの統一収束解析を提供する。
論文参考訳（メタデータ） (2022-05-26T21:56:31Z)

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。