Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2510.14413

帮助 | 高级搜索

统计学 > 机器学习

arXiv:2510.14413 (stat)
[提交于 2025年10月16日 (v1) ,最后修订 2025年10月19日 (此版本, v2)]

标题: 行融合正则化:大规模场景中的一种可解释个性化联邦学习框架

标题: Row-wise Fusion Regularization: An Interpretable Personalized Federated Learning Framework in Large-Scale Scenarios

Authors:Runlin Zhou, Letian Li, Zemin Zheng
摘要: 我们研究多变量响应的个性化联邦学习,其中客户端模型是异构的,但共享变量级结构。现有的逐元素惩罚忽略了跨响应依赖性,而矩阵级融合则过度耦合了客户端。我们提出了一种稀疏行融合(SROF)正则化器,它在客户端之间聚类行向量并诱导行内稀疏性,并开发了RowFed,这是一种通信高效的联邦算法,将SROF嵌入到线性化ADMM框架中,并具有隐私保护的部分参与。理论上,我们建立了SROF的oracle性质,实现了变量级组恢复的正确性以及渐近正态性,并证明了RowFed收敛到一个平稳解。在随机客户端参与下,迭代差距以随着参与概率提高而改善的速率收缩。实证上,异构环境中的模拟显示,RowFed始终降低估计和预测误差,并在变量级聚类恢复方面优于NonFed、FedAvg和一个个性化的矩阵融合基线。真实数据研究进一步证实了这些优势,同时保持了可解释性。综上所述,我们的结果将行融合定位为一种有效且透明的大规模个性化联邦多变量学习范式,弥合了逐元素和矩阵形式之间的差距。
摘要: We study personalized federated learning for multivariate responses where client models are heterogeneous yet share variable-level structure. Existing entry-wise penalties ignore cross-response dependence, while matrix-wise fusion over-couples clients. We propose a Sparse Row-wise Fusion (SROF) regularizer that clusters row vectors across clients and induces within-row sparsity, and we develop RowFed, a communication-efficient federated algorithm that embeds SROF into a linearized ADMM framework with privacy-preserving partial participation. Theoretically, we establish an oracle property for SROF-achieving correct variable-level group recovery with asymptotic normality-and prove convergence of RowFed to a stationary solution. Under random client participation, the iterate gap contracts at a rate that improves with participation probability. Empirically, simulations in heterogeneous regimes show that RowFed consistently lowers estimation and prediction error and strengthens variable-level cluster recovery over NonFed, FedAvg, and a personalized matrix-fusion baseline. A real-data study further corroborates these gains while preserving interpretability. Together, our results position row-wise fusion as an effective and transparent paradigm for large-scale personalized federated multivariate learning, bridging the gap between entry-wise and matrix-wise formulations.
主题: 机器学习 (stat.ML) ; 机器学习 (cs.LG)
引用方式: arXiv:2510.14413 [stat.ML]
  (或者 arXiv:2510.14413v2 [stat.ML] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.14413
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Runlin Zhou [查看电子邮件]
[v1] 星期四, 2025 年 10 月 16 日 08:18:36 UTC (97 KB)
[v2] 星期日, 2025 年 10 月 19 日 04:40:59 UTC (98 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
查看许可
当前浏览上下文:
stat.ML
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
cs
cs.LG
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号