具有凸全局与局部约束的联邦学习
机器学习
2024-05-02 v3 最优化与控制
摘要
在实践中，许多机器学习（ML）问题带有约束，且其应用领域涉及无法与他人共享的分布式敏感数据，例如在医疗健康中。在此类实际场景中的协作学习需要带约束 ML 问题的联邦学习（FL），简称带约束 FL。尽管近年来 FL 技术有广泛发展，这些技术仅处理无约束 FL 问题或带有易于投影的简单约束的 FL 问题。处理带一般约束 FL 问题的工作很少。为填补此空白，我们迈出构建求解带一般约束 FL 问题算法框架的第一步。具体而言，我们基于近端增广拉格朗日（AL）方法提出一种用于约束 ML 问题的新 FL 算法。在凸目标、凸约束及其他温和条件下，我们建立了所提算法的最坏情况复杂度。我们的数值实验展示了我们的算法在 FL 设置下执行奈曼-皮尔逊分类和具有非凸约束的公平感知学习的有效性。
引用
@article{arxiv.2310.10117,
title = {Federated Learning with Convex Global and Local Constraints},
author = {Chuan He and Le Peng and Ju Sun},
journal= {arXiv preprint arXiv:2310.10117},
year = {2024}
}
备注
Accepted by Transactions on Machine Learning Research. Code associated with this paper can be found in https://github.com/PL97/Constr_FL