ترجمه فارسی مقاله الگوریتم فدرال فرانک ولف

چکیده

Federated learning (FL) has gained a lot of attention in recent years for building privacy-preserving collaborative learning systems. However, FL algorithms for constrained machine learning problems are still limited, particularly when the projection step is costly. To this end, we propose a Federated Frank-Wolfe Algorithm (FedFW). FedFW features data privacy, low per-iteration cost, and communication of sparse signals. In the deterministic setting, FedFW achieves an $\varepsilon$-suboptimal solution within $O(\varepsilon^{-2})$ iterations for smooth and convex objectives, and $O(\varepsilon^{-3})$ iterations for smooth but non-convex objectives. Furthermore, we present a stochastic variant of FedFW and show that it finds a solution within $O(\varepsilon^{-3})$ iterations in the convex setting. We demonstrate the empirical performance of FedFW on several machine learning tasks.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) در سالهای اخیر توجه زیادی را به دلیل ایجاد سیستم های یادگیری مشارکتی حفظ حریم خصوصی به خود جلب کرده است.با این حال ، الگوریتم های FL برای مشکلات یادگیری ماشین محدود هنوز محدود هستند ، به ویژه هنگامی که مرحله طرح ریزی پرهزینه است.برای این منظور ، ما یک الگوریتم فدراسیون Frank-Wolfe (FEDFW) پیشنهاد می کنیم.FEDFW دارای حریم خصوصی داده ها ، هزینه کم در هر الگو و ارتباط سیگنال های پراکنده است.در تنظیمات قطعی ، FEDFW به یک راه حل $ \ varepsilon $ -subopttimal در $ o (\ varepsilon^{-2}) $ تکرار برای اهداف صاف و محدب و $ o (\ varepsilon^{-3}) $ $ $ $ $ دست می یابد.اهداف صاف اما غیر متعهد.علاوه بر این ، ما یک نوع تصادفی از FEDFW را ارائه می دهیم و نشان می دهیم که راه حلی را در $ O (\ varepsilon^{-3}) $ در تنظیمات محدب پیدا می کند.ما عملکرد تجربی FEDFW را در چندین کار یادگیری ماشین نشان می دهیم.