リーマン多様体上のフェデレーション学習における勾配ストリームの平均化

本論文は、リーマン多様体上のフェデレーション学習のための新しいアルゴリズムRFedAGSを提案し、その収束性を分析する。RFedAGSは、エージェントがアップロードする勾配ストリームの平均化に基づいて、サーバーが新しいグローバルパラメータを生成する。理論的には、RFedAGSは一般の非凸問題に対して近似定常解を得る亜線形収束率を持ち、ポリャック-ロジャシェフィッツ条件を満たす問題に対して線形収束性を示す。数値実験の結果は、理論的な分析と一致し、RFedAGSが中央集権的な手法と比較して遜色ないパフォーマンスを示すことを明らかにする。