统计学 > 机器学习
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.