提出联邦优化方差缩减框架

2026年10月20日，研究团队在arXiv发布针对函数约束联邦优化的联邦随机切换框架。该框架旨在解决约束投影成本高昂及随机约束信息处理的难题，通过原始变量更新机制实现优化。 研究提出支持凸目标误差反馈压缩的方差缩减估计器，建立了高概率收敛与可行性保证。该分析进一步扩展至弱凸目标，通过近端驻点分析验证了理论的有效性。 实验在Neyman-Pearson分类、ADULT数据集上的公平约束学习及受限深度强化学习场景中进行。结果表明，该方差缩减估计器有效降低了约束误差，验证了框架在实际任务中的有效性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。