循环客户端参与下的通信高效联邦 AUC 最大化

联邦 AUC 最大化是学习不平衡数据中有效的方法，但现有方法通常假设客户端完全可用，这在实际中几乎不可能。在实际联邦学习系统中，客户端往往以循环方式参与：根据固定、重复的计划加入训练。这一设定为非可分解的 AUC 目标提出了独特的优化挑战。本文通过开发和分析在循环客户端参与下进行通信高效联邦 AUC 最大化的算法来应对这些挑战。我们研究了两个关键设定：首先，我们研究采用平方代理损失的 AUC 最大化，将问题转化为非凸-凹 minimax 优化。通过利用 Polyak-{\L}ojasiewicz (PL) 条件，我们建立了最新的通信复杂度为 $\widetilde{O}(1/\epsilon^{1/2})$ 和迭代复杂度为 $\widetilde{O}(1/\epsilon)$。其次，我们考虑一般的成对 AUC 损失。我们建立了通信复杂度为 $O(1/\epsilon^3)$ 和迭代复杂度为 $O(1/\epsilon^4)$。进一步，在 PL 条件下，这些界限改进为通信复杂度为 $\widetilde{O}(1/\epsilon^{1/2})$ 和迭代复杂度为 $\widetilde{O}(1/\epsilon)$。在图像分类、医学成像和欺诈检测等基准任务上的大量实验表明，我们提出的方法在效率和有效性方面具有优势。