Компьютерные науки > Машинное обучение [представлено 15 сентября 2026 года] Название: Структурная негативная передача в Федеративных графических Невральных сетях: диагностика, расследование причин и пределы дивергенции-сокращение зрения PDF HTML (экспериментальное) резюме. Усредненный показатель предполагает, что усреднение местных моделей является разумным способом решения одной общей проблемы в тех случаях, когда данные участников в целом аналогичны. Работа над неиндивидуальным обучением показала, что это предположение может выдерживать различия в маркировке и распределении характеристик. Мы спрашиваем, выживает ли он в другом штамме, специфичном для графовых нейронных сетей, где графики клиентов различаются не по этикетке или распределению характеристик, а по самой структуре, что требует одинаковых общих весов для работы над принципиально разными топологиями. Мы называем причиненный ущерб структурным негативным перемещением. В федерации реальных сетей цитирования и синтетических структурных прокси, структурно нетипичный клиент потерял более половины достижимой точности просто присоединившись. В первоначальной шестиклиентской федерации две структурные статистические данные, не содержащие этикеток и вычисляемые до подготовки кадров, были тесно связаны с этим вредом. Расширение до 20 клиентов показало, что различия в степени по-прежнему связаны с ущербом, хотя и более слабыми, и выжили после устранения контраста между доменами. Спектральные расхождения не повторялись, что мы…
Структурная негативная передача в Федеративных графических сетях: диагностика, расследование причин и пределы предупреждения дивергенции
arXiv:2609.16977v1 Annualce Type: New Humber: Federated Learning позволяет нескольким участникам обучать общую модель без объединения исходных данных, обмениваясь, вместо этого, подготовленными на местах обновленными моделями. Усредненный показатель предполагает, что усреднение местных моделей является разумным способом решения одной общей проблемы в тех случаях, когда данные участников в целом аналогичны. Работа над неиндивидуальным обучением показала, что это предположение может выдерживать различия в маркировке и распределении характеристик. Мы спрашиваем, выживает ли он в другом штамме, специфичном для графовых нейронных сетей, где графики клиентов различаются не по этикетке или распределению характеристик, а по самой структуре, что требует одинаковых общих весов для работы над принципиально разными топологиями. Мы называем причиненный ущерб структурным негативным перемещением. В федерации реальных сетей цитирования и синтетических структурных прокси, структурно нетипичный клиент потерял более половины достижимой точности просто присоединившись. В первоначальной шестиклиентской федерации два знака