研究人员开发了一种名为联邦草图上下文线性赌徒（FSCLB）的新方法，以解决联邦上下文线性赌徒中的计算和通信挑战。FSCLB 利用奇异值分解（SVD）和双草图策略，显著降低了行列式计算和参数上传的复杂性。该方法将计算成本从 O(d^3) 降低到 O(l^2d)，通信成本从 O(d^2) 降低到 O(ld)，其中 'd' 是数据维度，'l' 是草图大小。实验表明，FSCLB 在累积奖励影响很小的情况下，成本降低了 90% 以上。 AI
影响 降低了联邦学习中的计算和通信开销，可能使资源受限设备上更广泛地采用赌徒算法。
排序理由 学术论文，提出了一种用于联邦学习的新算法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.00500v1 Announce Type: new Abstract: In federated contextual linear bandits, high data dimensionality incurs prohibitive computation and communication costs: local agents perform $O(d^3)$-time determinant computation and upload $O(d^2)$ parameters, making existing algo…
In federated contextual linear bandits, high data dimensionality incurs prohibitive computation and communication costs: local agents perform $O(d^3)$-time determinant computation and upload $O(d^2)$ parameters, making existing algorithms unscalable, where $d$ is the dimension of…