論文の概要: FedRSPO+: A Heterogeneity-aware Algorithm for Decision-focused Federated Learning

• arxiv url: http://arxiv.org/abs/2610.09091v1
• Date: Tue, 06 Oct 2026 20:46:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.600477
• Title: FedRSPO+: A Heterogeneity-aware Algorithm for Decision-focused Federated Learning
• Title（参考訳）: FedRSPO+:決定を重視したフェデレーション学習のための不均一性認識アルゴリズム
• Abstract要約: FedRSPO+は意思決定中心のフェデレーション学習のための異種対応フレームワークである。 RSPO+は、プロジェクションを通して決定マップを滑らかにする正規化された予測列最適化サロゲートである。 本稿では,RSPO+ 上界決定誤差と正則化決定に対する後悔,および,厳密な正則化と一貫した LP 解選択の下で,元の LP 決定に対する後悔を示す。
• 参考スコア（独自算出の注目度）: 47.41343067108185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decision-focused learning (DFL) trains predictive models for downstream optimization, but existing methods largely assume centralized data. In cross-silo settings, federated learning offers a natural alternative, yet standard federated methods optimize prediction over decision quality and do not address heterogeneity in downstream objectives or feasible sets. This heterogeneity is especially challenging for DFL because small perturbations in polyhedral problems can cause discontinuous changes in optimal decisions, destabilizing client updates and aggregation. We propose FedRSPO+, a heterogeneity-aware framework for decision-focused federated learning, built on RSPO+, a regularized predict-then-optimize surrogate that smooths the decision map through projection. We show that RSPO+ upper bounds decision error and regret for the regularized decision and, under exact regularization and consistent LP solution selection, for the original LP decision. We further derive cross-client heterogeneity bounds that depend on both objective and feasible-set heterogeneity, vanish at homogeneity, and require no strong convexity. FedRSPO+ uses an annealed, modular training procedure compatible with standard federated personalization and aggregation methods. Experiments on synthetic knapsack, shortest-path, and real-world energy pricing tasks compare against prediction-only federated learning and DFL baselines under varying heterogeneity and communication budgets. Results suggest that smoothing is a useful ingredient for stable collaborative decision learning and provide a heterogeneity-aware foundation for federated DFL.
• Abstract（参考訳）: 決定中心学習(DFL)は下流最適化のための予測モデルを訓練するが、既存の手法は主に集中型データを想定している。 クロスサイロ環境では、フェデレーション学習は自然な代替手段を提供するが、標準的なフェデレーション学習は意思決定品質の予測を最適化し、下流の目的や実現可能な集合の不均一性に対処しない。 この不均一性は、多面体問題における小さな摂動が最適決定の不連続な変化を引き起こし、クライアントの更新と集約が不安定になるため、DFLにとって特に困難である。 本稿では,意思決定中心のフェデレーション学習のためのヘテロジニティ対応フレームワークであるFedRSPO+を提案する。 本稿では,RSPO+ 上界決定誤差と正則化決定に対する後悔,および,厳密な正則化と一貫した LP 解選択の下で,元の LP 決定に対する後悔を示す。 さらに、目的と実現可能な集合の両不均一性に依存し、同次性において消滅し、強い凸性を必要としない、クロス・クオリティな不均一性境界を導出する。 FedRSPO+は、標準的なフェデレートされたパーソナライゼーションとアグリゲーションメソッドと互換性のある、アニールでモジュラーなトレーニング手順を使用する。 合成クナップサック、最短パス、実世界のエネルギー価格設定タスクの実験は、様々な不均一性とコミュニケーション予算の下で予測専用フェデレーションラーニングとDFLベースラインと比較した。 その結果, 円滑化は協調的意思決定に有用な要素であり, フェデレートDFLのための不均一性を考慮した基礎となることが示唆された。

関連論文リスト

• SSPO: Structure-Aware Similarity-Weighted Preference Optimization for Neural Combinatorial Optimization [7.503926194234302]
  優先最適化法は、単一最適解に固定し、他のすべてのピアからきめ細かい品質と構造的信号を捨てる。 SSPO (Structure-Aware similarity-Weighted Preference Optimization) を提案する。
  論文  参考訳（メタデータ） (2026-08-12T16:04:54Z)
• Decision-Focused Federated Learning Under Heterogeneous Objectives and Constraints [45.88028371034407]
  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。
  論文  参考訳（メタデータ） (2026-04-21T22:22:39Z)
• FederatedFactory: Generative One-Shot Learning for Extremely Non-IID Distributed Scenarios [5.6638199968217835]
  フェデレートラーニング(FL)は、データの主権を損なうことなく分散最適化を可能にする。 我々は、識別パラメータから生成前のフェデレーション単位を反転させるゼロ依存フレームワークであるFederatedFactoryを紹介した。
  論文  参考訳（メタデータ） (2026-03-17T10:58:44Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• FedDuA: Doubly Adaptive Federated Learning [2.6108066206600555]
  フェデレーション学習(Federated Learning)は、クライアントが生データを共有せずにグローバルモデルを共同でトレーニングする分散学習フレームワークである。 我々は、ミラー降下レンズによる中央サーバ最適化手順を定式化し、FedDuAと呼ばれる新しいフレームワークを提案する。 提案した2次適応型ステップサイズルールは最小限最適であり,凸対象に対する収束解析を提供する。
  論文  参考訳（メタデータ） (2025-05-16T11:15:27Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• 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。