Robust Personalized Federated Learning with Sparse Penalization
带稀疏惩罚的稳健个性化联邦学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用分布式稳健回归，联邦参与方之间的协作不足以构成网络与干扰分类依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
带稀疏惩罚的稳健个性化联邦学习
- 研究问题
- 分布式数据的本地生成机制存在异质性时，如何同时实现个性化、稳健和稀疏回归，并高效求解联邦估计问题？
- 方法与思路
- 作者结合 Huber 损失与稀疏融合惩罚构造个性化回归，并设计 PerFL-RSR 算法，在联邦系统中求解相应估计问题。
- 材料陈述的贡献
- 摘要称，算法具有 O(1/T) 收敛速率，估计量具有统计一致性，并通过实验和真实数据分析支持所述理论结果。
- 阅读关注点
- 应核对融合惩罚如何表达个体异质性、收敛速率所衡量的量，以及一致性的样本增长方式、误差条件和通信成本。
- 阅读边界
- 仅据所给 OpenAlex 摘要；摘要未说明速率及一致性所需条件、实验差异或隐私机制，不能将联邦计算直接等同于隐私保证。
原文摘要
Federated learning (FL) is an emerging topic due to its advantage in collaborative learning with distributed data. Due to the heterogeneity in the local data-generating mechanism, it is important to consider personalization when developing federated learning methods. In this work, we propose a personalized federated learning (PFL) method to address the robust regression problem. Specifically, we aim to learn the regression weight by solving a Huber loss with the sparse fused penalty. Additionally, we designed our personalized federated learning for robust and sparse regression (PerFL-RSR) algorithm to solve the estimation problem in the federated system efficiently. Theoretically, we show that the proposed PerFL-RSR reaches a convergence rate of O(1/T), and the proposed estimator is statistically consistent. Thorough experiments and real data analysis are conducted to corroborate the theoretical results of our proposed personalized federated learning method. Supplementary materials for this article are available online including a standardized description of the materials available for reproducing the work.