連邦行列補完問題のための線形化交互方向乗数法

科学分野:

• コンピュータサイエンス
• 機械学習
• データサイエンス

背景:

• 行列補完（MC）は、さまざまな分野で欠損データを予測するために重要です。
• 従来のMC手法は、プライバシー、スケーラビリティ、効率を含む中央集権的なデータストレージの課題に直面しています。
• 連邦学習（FL）は、生データの共有なしに分散データセットでの協調学習のためのソリューションを提供します。

研究 の 目的:

• プライバシーが重要なアプリケーションにおける連邦行列補完（MC）の課題に対処すること。
• 連邦MC問題を解決するための新しいアルゴリズムフレームワーク、FedMC-ADMMを提案すること。
• マルチブロック変数を持つ連邦MCの理論的保証を提供すること。

主な方法:

• 交互方向法（ADMM）とランダム化ブロック座標法および近接勾配戦略を組み合わせたFedMC-ADMMを開発しました。
• 連邦MCに固有のマルチブロック非凸および非滑らか最適化問題を処理するように設計されています。
• 理論的な収束特性を分析し、逐次的な収束とO(K^{-1/2})の収束率を確立しました。

主要な成果:

• FedMC-ADMMは、通信複雑度O(ε^{-2})で逐次的な収束を示します。
• このアルゴリズムは、マルチブロックの非凸および非滑らか最適化問題を効果的に処理します。
• MovieLensおよびNetflixデータセットでの広範な実験により、FedMC-ADMMは収束速度と精度において既存の方法を上回ることが示されています。

結論:

• FedMC-ADMMは、連邦行列補完のための効率的でプライベートなソリューションを提供します。
• この研究は、マルチブロック変数を持つ連邦MCの最初の理論的保証を提供します。
• 提案された手法は、実世界のアプリケーションでパフォーマンスの大幅な向上が見られます。