返回
FedNCV: Optimizing Federated Learning With Networked Control Variates
DOI:10.1002/ett.70287.png)
摘要
En 中文
联邦学习(FL)作为一种先进的分布式学习范式,面临着显著的挑战,尤其是在收敛缓慢和不稳定方面,这些问题因异构数据分布而加剧。在此背景下,一个关键问题是数据异构性,它增加了梯度估计的方差,并驱动模型趋向远离全局最优的局部最小值。先前的研究主要关注使用控制变量(CVs)来减少梯度估计方差而不引入偏差。在本工作中,我们提出了一种新颖的分布式梯度优化框架FedNCV,旨在有效降低梯度方差。该方法的核心是使用基于CV的REINFORCE Leave-One-Out(RLOO)技术,作为FedNCV在客户端和服务器级别的核心梯度估计器。我们基于FedNCV开发了一种算法,并提供了三项理论结果。实验评估表明,所提出的方法增强了性能。FedNCV的双结构使其能够应对联邦网络中的数据异构性和可扩展性挑战,为异构FL环境中的应用提供了一种有前景的解决方案。此外,FedNCV在Dirichlet分布下的四个不同数据集上的有效性得到了验证,与六种领先方法相比,其性能达到了新的基准。
Keyword:
control variates
federated learning
gradient optimization
期刊
IF:
2.5
论文数:
483
被引数:
3.9K
机构
引用论文
没有更多内容

