Nested Quasi-Newton Optimization for Federated Learning Under Periodic Deterministic Communication Constraints
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Federated Learning (FL) enables decentralized model training while preserving data privacy, however, real-world deployments are often constrained by Periodic Deterministic Communication (PDC) schedules, where communication between clients and the central server occurs at fixed intervals due to bandwidth limitations, energy constraints, or regulatory restrictions. These rigid schedules introduce fundamental challenges, including delayed model updates, model drift, inefficient convergence, and heightened sensitivity to non-IID data distributions, which undermine FL performance in practical settings. To address these limitations, we propose Federated Nested Quasi-Newton Optimization (FedNQN), a novel framework that accelerates convergence and enhances FL robustness under PDC constraints. FedNQN integrates curvature-aware central acceleration with variance-controlled local adaptation, ensuring stable learning dynamics despite restricted communication. At the global level, second-order curvature information accelerates model updates, compensating for infrequent synchronization, while local updates leverage variance-controlled optimizations to mitigate drift and adapt to heterogeneous data distributions. This coordinated optimization strategy enhances convergence speed, improves model accuracy, and maintains computational efficiency, making FL more adaptable to real-world constraints. Extensive experiments on benchmark datasets validate FedNQN’s effectiveness, demonstrating superior performance over state-of-the-art FL methods in terms of stability, scalability, and resilience to communication inefficiencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,009 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle