Neuer Ansatz für personalisierte Federated Learning mit garantierter Performance

Ein neues Papier auf arXiv beleuchtet die Herausforderung, dass in realen Anwendungen jedes Gerät eigene Ressourcen‑ oder Modellbeschränkungen hat, was herkömmliche Federated‑Learning‑Modelle nicht berücksichtigen.

Die Autoren stellen PC‑FedAvg vor, bei dem jedes Gerät lokale Entscheidungsvariablen für alle anderen Agenten führt und nur die eigene Zulässigkeit penalisiert. Dadurch wird Personalisation ermöglicht, ohne dass Konsens oder Austausch von Beschränkungen nötig ist.

Für die Methode werden Kommunikationskomplexitätsraten von O(ε⁻²) für die Suboptimalität und O(ε⁻¹) für die individuelle Infeasibility bewiesen. Erste Tests mit MNIST und CIFAR‑10 zeigen, dass die theoretischen Vorhersagen praktisch bestätigt werden.