論文の概要: SAGE: Optimal-Stopping Peer Selection for Decentralised Federated Learning

• arxiv url: http://arxiv.org/abs/2609.23773v1
• Date: Sun, 20 Sep 2026 17:49:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.984427
• Title: SAGE: Optimal-Stopping Peer Selection for Decentralised Federated Learning
• Title（参考訳）: SAGE: 分散化したフェデレーション学習のための最適なペア選択
• Abstract要約: 本稿では,SAGE(Sequential Anchor-Gated Exchange)を提案する。 停止問題は,有限段階の最適規則を許容し,アンカースケジュールがピアリスクギャップと信頼性レベルにおいて最適であることを示す。
• 参考スコア（独自算出の注目度）: 4.2826310390353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decentralised federated learning replaces server aggregation with peer-to-peer model exchange, making collaborator selection a local decision under uncertainty. Fixed probe budgets waste effort on easy choices yet fall short when peers are hard to distinguish. We propose SAGE (Sequential Anchor-Gated Exchange), an optimal-stopping peer selector under a one-model-bearing-exchange budget. A receiver scores candidate neighbours on receiver-owned anchor evidence and selects once an advantage is certified. It continues probing only while further evidence repays its cost, and otherwise falls back to random gossip. We show that the stopping problem admits an optimal rule attained at a finite stage, and that the anchor schedule is order-optimal in the peer-risk gap and the confidence level. We further show that the selector never returns a peer worse than random gossip with high probability, and prove that no such guarantee holds for selectors that commit without a certificate. A separability threshold follows, below which no probing budget improves on gossip. Experiments span two image benchmarks, two graph families and three heterogeneity levels. Selectors that always act on their evidence lose to gossip in every configuration tested. SAGE-OS matches gossip on 75.5% less evidence than a fixed budget, at half the communication overhead of two published selectors. The operative decision is not which peer to rank first, but whether the evidence justifies ranking at all.
• Abstract（参考訳）: 分散フェデレーション学習は、サーバアグリゲーションをピアツーピアモデル交換に置き換え、コラボレータの選択を不確実性の下でローカルに決定する。 固定されたプローブは、簡単に選択できる労力を無駄にしますが、ピアが区別しにくい場合には不足します。 本稿では,SAGE(Sequential Anchor-Gated Exchange)を提案する。 レシーバは、レシーバ所有のアンカーエビデンスで候補者の隣人をスコアし、アドバンテージが認証されると選択する。 さらなる証拠が費用を返済する間のみ調査を続けており、そうでなければ無作為なゴシップに陥る。 停止問題は,有限段階の最適規則を許容し,アンカースケジュールがピアリスクギャップと信頼性レベルにおいて最適であることを示す。 さらに、セレクタは、確率の高いランダムなゴシップよりも悪いピアを決して返さないことを示し、証明書なしでコミットするセレクタに対してそのような保証が成り立たないことを証明します。 下記の分離可能性しきい値に従えば、探索予算がゴシップで改善されることはない。 実験は2つの画像ベンチマーク、2つのグラフファミリ、3つの不均一レベルにまたがる。 証拠に対して常に行動するセレクタは、テストされたすべての構成においてゴシップを失う。 SAGE-OSマッチは、固定された予算よりも75.5%少ない証拠で、2つの公表されたセレクタの通信オーバーヘッドの半分である。 操作上の判断は、どちらが最初にランク付けするかではなく、証拠がランク付けを正当化するかどうかである。

関連論文リスト

• GenCAR: Generative Counterfactual Alignment with Risk-Controlled Selection for Out-of-Distribution Recommendation [7.538235053815412]
  我々は、OODを$$-Valid Counterfactual Recommendation($-VCR)問題として機能させる。 我々は、優先順位付き対実管理と校正セット選択を結合したGenCARを提案する。 特に、GenCARは環境要因に介入しながら、安定した参照表現を修正します。
  論文  参考訳（メタデータ） (2026-09-02T06:24:13Z)
• Lottery Tickets Are Not Deployment Tickets [4.230349220081444]
  我々は、下流決定論理を再構成することなく、精度に適合した宝くじ券または他のスパースチャレンジャーが、既存の高密度モデルを置き換えることができるかどうかを検討する。 実験全体を通して、スパース候補は繰り返し密度参照精度を回復するが、行動学的に異なるままである。 固定閾値ポリシー診断を備えた小さなギャップ設定では、宝くじの交換は受け入れレビュー決定の7%から10%に変化する。
  論文  参考訳（メタデータ） (2026-07-29T15:25:19Z)
• Reward-Free Evolving Agents via Pairwise Validator [12.6053820984668]
  自己進化型エージェントループは、エージェントの微調整されたバージョンを何度も提案する。 項目ごとの品質信号に基づいて変更を受理または拒否する。 本稿では,アクセプション/リジェクトゲートのスカラーをペアワイズ検証器で置き換えることを提案する。
  論文  参考訳（メタデータ） (2026-07-15T22:50:32Z)
• Smooth Partial Lotteries for Stable Randomized Selection [61.86327960322782]
  多くの組織では、評価スコアに基づいて選択をランダム化する部分的な宝くじを採用している。 既存の抽選デザインは本質的に不安定であり、単一の候補のスコアへの小さな変更は、選択確率の大きな変化を引き起こす可能性がある。 部分的な宝くじの設計原理として滑らかさを提案し、候補に対するレビュースコアから選択確率へのマッピングにおいて、リプシッツ条件として定式化する。
  論文  参考訳（メタデータ） (2026-05-19T16:22:51Z)
• Bandit Learning in Matching Markets with Interviews [16.603456812107975]
  両面のマッチング市場は双方の好みに頼っているが、しばしば好みを評価するのは現実的ではない。 我々は,インタビューと一致する市場における盗聴学習を,双方に部分的な嗜好情報を示すテキストトローコストヒントとしてモデル化する。
  論文  参考訳（メタデータ） (2026-02-12T18:03:37Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• Sample Smart, Not Hard: Correctness-First Decoding for Better Reasoning in LLMs [72.82403830490084]
  我々は、復号規則は正確さによって校正されるべきであり、自信だけではならないと論じている。 Greedy-Threshold はこの目標を達成するための単純な戦略を提案します。 この結果から,不確実性の下での復号化が問題視され,数学や一般推論のベンチマークで有意な差がみられた。
  論文  参考訳（メタデータ） (2025-10-07T14:46:12Z)
• Peer Selection with Noisy Assessments [43.307040330622186]
  現在最も正確なピアレビューアルゴリズムであるPeerNominationをWeightedPeerNominationに拡張します。 重み付け方式により、選択の全体的な精度が大幅に向上できることを解析的に示す。
  論文  参考訳（メタデータ） (2021-07-21T14:47:11Z)
• Learning Strategies in Decentralized Matching Markets under Uncertain Preferences [91.3755431537592]
  エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。 我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。 エージェントの期待した利益を最大化する最適な戦略を導出する。
  論文  参考訳（メタデータ） (2020-10-29T03:08:22Z)

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。