Statistical inference for decentralized federated learning
去中心化联邦学习的统计推断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：摘要属于分布式统计估计与算法理论，未提供对应所列计量领域细分的直接证据。
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…
关注这篇论文的作者
去中心化联邦学习的统计推断
- 研究问题
- 当不同客户端的数据分布存在异质性时，去中心化联邦M估计如何获得有效推断，客户端数量又怎样限制统计效率？
- 方法与思路
- 作者分析去中心化随机梯度下降的均方误差与共识误差，建立PR平均估计量的渐近分布，并提出一步估计与置信域。
- 材料陈述的贡献
- 摘要称，一步估计允许更多客户端参与，同时达到非分布式PR平均估计的效率，并为两类估计量构造统计推断方法。
- 阅读关注点
- 应核对客户端数量与样本规模的关系、异质性和通信条件，以及一步更新所需信息、效率基准与置信域构造。
- 阅读边界
- 仅依据所给Crossref摘要。摘要未说明客户端增长限制、算法条件或置信域的具体形式，也不能据此推断其他来源版本的变化。
原文摘要
This paper considers decentralized Federated Learning (FL) under heterogeneous distributions among distributed clients or data blocks for the M-estimation. The mean squared error and consensus error across the estimators from different clients via the decentralized stochastic gradient descent algorithm are derived. The asymptotic normality of the Polyak–Ruppert (PR) averaged estimator in the decentralized distributed setting is attained, which shows that its statistical efficiency comes at a cost as it is more restrictive on the number of clients than that in the distributed M-estimation. To overcome the restriction, a one-step estimator is proposed which permits a much larger number of clients while still achieving the same efficiency as the original PR-averaged estimator in the nondistributed setting. The confidence regions based on both the PR-averaged estimator and the proposed one-step estimator are constructed to facilitate statistical inference for decentralized FL.