BriefGPT - AI 论文速递
·
SCAFFLSA: 量化和消除联邦式线性随机逼近和时序差异学习中的异质性偏差
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文对联邦线性随机逼近（FedLSA）算法进行了非渐进分析，提出了SCAFFLSA来校正异质代理的本地训练引入的偏差，并证明其在统计异质性方面的收敛性。同时应用于联邦时序差异学习，并分析了复杂度改进。
🎯
关键要点
- 本文对联邦线性随机逼近（FedLSA）算法进行了非渐进分析。
- 定量化了异质代理的本地训练引入的偏差。
- 调查了算法的样本复杂度。
- 展示了 FedLSA 的通信复杂度与所需精度 ε 的多项式缩放。
- 提出了 SCAFFLSA，使用控制变量校正本地训练的偏差。
- 证明了 SCAFFLSA 在统计异质性方面的收敛性没有假设。
- 将所提出的方法应用于联邦时序差异学习，并分析了复杂度改进。
➡️
