English(EN) Gaussian Approximation and Multiplier Bootstrap for Federated Linear Stochastic Approximation

联邦学习新统计界限改进收敛性分析

作者 PulseAugur 编辑部 · [2 个来源] · 2026-05-19 10:08

研究人员开发了联邦线性随机逼近（LSA）的新统计方法，首次提出了考虑通信-计算权衡和数据异质性的联邦高斯近似。这些发现量化了局部步长和更新次数对收敛速率的影响。该工作还引入了一种在线乘数自举程序，用于对最终模型迭代进行统计推断，并提供非渐近有效性保证。 AI

影响推动了分布式机器学习的统计方法，有望提高联邦学习系统的效率和准确性。

排序理由该集群包含一篇学术论文，详细介绍了联邦学习的新统计方法和理论界限。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv stat.ML TIER_1 English(EN) · Ilya Levin, Maksim Shuklin, Eric Moulines, Paul Mangold, Sergey Samsonov · 2026-05-20 04:00

高斯近似与乘数自举在联邦线性随机近似中的应用

arXiv:2605.19629v1 Announce Type: new Abstract: In this paper, we establish Berry-Esseen-type bounds for federated linear stochastic approximation (LSA). Our results provide the first federated Gaussian approximations for LSA that explicitly capture communication-computation trad…
arXiv stat.ML TIER_1 English(EN) · Sergey Samsonov · 2026-05-19 10:08

高斯近似与乘数自举在联邦线性随机近似中的应用

In this paper, we establish Berry-Esseen-type bounds for federated linear stochastic approximation (LSA). Our results provide the first federated Gaussian approximations for LSA that explicitly capture communication-computation trade-offs and heterogeneity-aware error terms, quan…