联邦学习的对偶方法
机器学习
2022-02-07 v2
摘要
我们从对偶视角研究联邦优化问题，并提出一种称为联邦对偶坐标下降（FedDCD）的新算法，该算法基于 Necora 等人[Journal of Optimization Theory and Applications, 2017]提出的一类坐标下降方法。此外，我们利用非精确梯度预言机和 Nesterov 加速对 FedDCD 方法进行增强。我们从理论上证明，在某些情形下，我们所提出的方法比最先进的原始联邦优化算法取得更好的收敛速率。在真实世界数据集上的数值实验支持我们的分析。
引用
@article{arxiv.2201.11183,
title = {A dual approach for federated learning},
author = {Zhenan Fan and Huang Fang and Michael P. Friedlander},
journal= {arXiv preprint arXiv:2201.11183},
year = {2022}
}