非光滑凸型联邦学习通信轮次可证明性减少
机器学习
2025-03-28 v1 最优化与控制
摘要
多个本地步骤是高效通信联邦学习的关键。然而，对于没有数据异构性限制的一般非光滑凸问题，缺乏对此类算法的理论保证。我们利用投影高效优化方法，提出了 FedMLS—a一种具备可证明改进性的联邦学习算法。FedMLS 在 个通信轮次内获得 次优解，总计调用 个随机次梯度查询。
引用
@article{arxiv.2503.21627,
title = {Provable Reduction in Communication Rounds for Non-Smooth Convex Federated Learning},
author = {Karlo Palenzuela and Ali Dadras and Alp Yurtsever and Tommy Löfstedt},
journal= {arXiv preprint arXiv:2503.21627},
year = {2025}
}