FedSEA：在联邦在线学习中实现并行化收益
机器学习
2026-04-22 v1 最优化与控制
摘要
联邦在线学习（OFL）已成为一种流行框架，用于在不损害客户端隐私的前提下，对连续数据流进行去中心化决策。然而，标准OFL中假设的对手模型通常排除了并行化的任何潜在收益。此外，它未能充分捕捉OFL问题中不同来源的统计变异。在本文中，我们通过集成随机扩展对手（SEA）来扩展OFL范式。在此框架下，损失函数在整个时间范围内保持固定，但对手动态且独立地为每个客户端在每个时间点选择数据分布。我们提出了\algoOFL{}算法来解决该问题，该算法在客户端使用在线随机梯度下降，并通过服务器进行定期全局聚合。我们对时间范围内的全局网络后悔量设定了上界，其中两种函数类的上界：（1）对于光滑和凸损失，我们证明了O(√T)界限，（2）对于光滑和强凸损失，我们证明了O(log T)界限。通过严谨的分析，我们量化了空间（跨客户端）和时间（随时间）数据异质性对后悔界限的单个影响。因此，我们识别出轻微的时间变异（相对于随机梯度方差）的 regime，在该 regime下，网络后悔随并行化而改善。因此，在SEA设置下，我们的结果改进了现有在线联邦学习中悲观的极端情况最坏结果。
引用
@article{arxiv.2604.19336,
title = {FedSEA: Achieving Benefit of Parallelization in Federated Online Learning},
author = {Harekrushna Sahu and Pratik Jawanpuria and Pranay Sharma},
journal= {arXiv preprint arXiv:2604.19336},
year = {2026}
}