Fugu-MT 論文翻訳(概要): Decision-Focused Federated Learning Under Heterogeneous Objectives and Constraints

論文の概要: Decision-Focused Federated Learning Under Heterogeneous Objectives and Constraints

arxiv url: http://arxiv.org/abs/2604.20031v1
Date: Tue, 21 Apr 2026 22:22:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-23 15:36:10.875834
Title: Decision-Focused Federated Learning Under Heterogeneous Objectives and Constraints
Title（参考訳）: 不均一な目的と制約の下での意思決定型フェデレーション学習
Authors: Konstantinos Ziliaskopoulos, Alexander Vinel,
Abstract要約: 我々は、よく知られたSPO+アプローチに基づいて、SPO+のサロゲート損失に対する不均一性境界を開発する。強く凸可能な領域の場合、安定性によりよりシャープな境界が導出される。我々は多面体および強凸問題に対するFedAvg型DFFL実験セットを実装した。
参考スコア（独自算出の注目度）: 45.88028371034407
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider what we refer to as {Decision-Focused Federated Learning (DFFL)} framework, i.e., a predict-then-optimize approach employed by a collection of agents, where each agent's predictive model is an input to a downstream linear optimization problem, and no direct exchange of raw data is allowed. Importantly, clients can differ both in objective functions and in feasibility constraints. We build on the well-known SPO+ approach and develop heterogeneity bounds for the SPO+ surrogate loss in this case. This is accomplished by employing a support function representation of the feasible region, separating (i) objective shift via norm distances between the cost vectors and (ii) feasible-set shift via shape distances between the constraint sets. In the case of strongly convex feasible regions, sharper bounds are derived due to the optimizer stability. Building on these results, we define a heuristic local-versus-federated excess risk decision rule which, under SPO+ risk, gives a condition for when federation can be expected to improve decision quality: the heterogeneity penalty must be smaller than the statistical advantage of pooling data. We implement a FedAvg-style DFFL set of experiments on both polyhedral and strongly convex problems and show that federation is broadly robust in the strongly convex setting, while performance in the polyhedral setting degrades primarily with constraint heterogeneity, especially for clients with many samples. In other words, especially for the strongly convex case, an approach following a direct implementation of FedAvg and SPO+ can still yield promising performance even when the downstream optimization problems are noticeably different.
Abstract（参考訳）: 本稿では,各エージェントの予測モデルを下流の線形最適化問題への入力とし,生データの直接交換を許可しない,エージェントの集合によって使用される予測列最適化アプローチであるDFFL(Decision-Focused Federated Learning)フレームワークについて考察する。重要なことは、クライアントは客観的機能と実現可能性の制約の両方で異なることができる。我々は、よく知られたSPO+アプローチに基づいて、この場合のSPO+サロゲート損失に対する不均一性境界を開発する。これは、実現可能な領域のサポート関数表現を使用して、分離することで実現される。一原価ベクトルと原価ベクトルとの間の標準距離による客観的シフト (ii)制約セット間の形状距離による実現可能なセットシフト。強く凸可能な領域の場合、最適化器の安定性により、よりシャープな境界が導出される。これらの結果に基づいて、我々はSPO+リスクの下で、フェデレーションが意思決定品質を改善することを期待できる条件を与える、ヒューリスティックな局所対向フェデレーション過剰リスク決定ルールを定義する:不均一性ペナルティは、プールデータの統計的利点よりも小さくなければならない。我々は多面体と強凸体の両方でFedAvgスタイルのDFFL実験を行い、強凸体ではフェデレーションが広範囲に堅牢であることを示し、一方、多面体設定における性能は、主に制約不均一性、特に多くのサンプルを持つクライアントに対して低下することを示した。言い換えれば、特に強凸の場合、FedAvgとSPO+を直接実装したアプローチは、下流の最適化問題が顕著に異なる場合でも、有望な性能が得られる。

関連論文リスト

A General Deep Learning Framework for Wireless Resource Allocation under Discrete Constraints [22.464820932996588]
本稿では,離散変数を扱うための一般的なディープラーニングフレームワークを提案する。提案手法は,システム性能と計算効率の両面で,既存のベースラインを一貫して上回ることを示す。
論文参考訳（メタデータ） (2026-03-17T07:10:56Z)
Learning Optimal Distributionally Robust Individualized Treatment Rules Integrating Multi-Source Data [3.821271508420626]
共依存分布不確実性集合に対する最悪の政策値を最大化する情報ベース分散堅牢ITR(PDRO-ITR)を提案する。 PDRO-ITR推定器のリスクバウンダリを確立し、最悪の場合の堅牢な性能を保証する。
論文参考訳（メタデータ） (2026-03-05T14:33:52Z)
Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination [8.826173150779145]
分散ロバストな最適化(DRO)は、あいまいさセットよりも最悪のケースで予想される損失を最小化する。我々は,IPクレダルセットが,解釈可能な許容レベルを持つDRO目標にどのように変換されるかを示す。
論文参考訳（メタデータ） (2026-01-29T06:37:36Z)
Distributionally Robust Federated Learning with Outlier Resilience [8.69285602685459]
本研究では, 分散的頑健なフェデレーション学習について, 明確な外部レジリエンスを用いて検討した。我々は、ロバスト性証明を許容するトラクタブルなラグランジアンペナルティ最適化として問題を再構築する。この改革に基づいて,分散外乱フェデレーション学習アルゴリズムを提案し,その収束保証を確立する。
論文参考訳（メタデータ） (2025-09-29T08:42:12Z)
Statistical Analysis of Conditional Group Distributionally Robust Optimization with Cross-Entropy Loss [16.1456465253627]
本研究では、複数のソースドメインからラベル付きデータを入手でき、対象ドメインからラベルなしデータのみを観測できるマルチソース非教師付きドメイン適応について検討する。本稿では,情報源領域からの条件付き結果分布の凸結合を最小化することにより,分類器を学習するグループ分散条件最適化フレームワークを提案する。実験的なCG-DRO推定器の高速な統計的収束速度を,理論ブリッジとして機能する2つの代理極小最適化問題を構築することにより確立する。
論文参考訳（メタデータ） (2025-07-14T04:21:23Z)
Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
論文参考訳（メタデータ） (2024-07-24T12:00:30Z)
Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
論文参考訳（メタデータ） (2024-02-16T16:35:18Z)
Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。本手法は, 精度の高い問題に特に適している。提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文参考訳（メタデータ） (2023-11-08T00:10:21Z)
Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
論文参考訳（メタデータ） (2022-06-14T13:12:12Z)
Tackling the Objective Inconsistency Problem in Heterogeneous Federated Optimization [93.78811018928583]
本稿では、フェデレートされた異種最適化アルゴリズムの収束性を分析するためのフレームワークを提供する。我々は,高速な誤差収束を保ちながら,客観的な矛盾を解消する正規化平均化手法であるFedNovaを提案する。
論文参考訳（メタデータ） (2020-07-15T05:01:23Z)

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。