联邦复合鞍点优化
机器学习
2024-09-17 v1 最优化与控制
机器学习
摘要
用于鞍点问题（SPP）的联邦学习（FL）方法近来因其在机器学习（ML）中的关键作用而日益流行。现有工作大多针对欧氏空间中的光滑无约束目标，而 ML 问题常涉及约束或非光滑正则化，这导致对复合优化的需求。针对这些问题，我们提出联邦对偶外推（FeDualEx），一种外步原始-对偶算法，它是此类首个在 FL 范式下同时涵盖鞍点优化与复合目标的方法。收敛性分析与经验评估均证明了 FeDualEx 在这些挑战性设定中的有效性。此外，即便对于 FeDualEx 的串行版本，我们也给出了随机复合鞍点设定的收敛率，据我们所知，先前文献中未见此类结果。
引用
@article{arxiv.2305.15643,
title = {Federated Composite Saddle Point Optimization},
author = {Site Bai and Brian Bullins},
journal= {arXiv preprint arXiv:2305.15643},
year = {2024}
}