FedRSPO+: un algoritmo sensibile all’eterogeneità per l’apprendimento federato orientato alle decisioni

Abstract degli autori

L’apprendimento orientato alle decisioni (DFL) addestra modelli predittivi in funzione di una successiva ottimizzazione, ma i metodi esistenti presuppongono in gran parte dati centralizzati. Nei contesti in cui i dati sono distribuiti tra organizzazioni, l’apprendimento federato offre un’alternativa naturale. I metodi federati standard, però, privilegiano le previsioni rispetto alla qualità delle decisioni e non affrontano l’eterogeneità degli obiettivi da ottimizzare o degli insiemi ammissibili. Per il DFL questa eterogeneità è particolarmente problematica: nei problemi poliedrali, piccole perturbazioni possono provocare cambiamenti discontinui nelle decisioni ottimali, rendendo instabili gli aggiornamenti dei client e la loro aggregazione. Proponiamo FedRSPO+, un framework per l’apprendimento federato orientato alle decisioni che tiene conto dell’eterogeneità. Si basa su RSPO+, un surrogato regolarizzato che prevede prima di ottimizzare e rende più regolare la mappa delle decisioni mediante proiezione. Dimostriamo che RSPO+ fornisce un limite superiore all’errore decisionale e al rimpianto per la decisione regolarizzata e, in presenza di regolarizzazione esatta e di una selezione coerente della soluzione del problema di programmazione lineare (LP), anche per la decisione del problema LP originale. Ricaviamo inoltre limiti relativi all’eterogeneità tra client che dipendono sia dall’eterogeneità delle funzioni obiettivo sia da quella degli insiemi ammissibili, si annullano in condizioni di omogeneità e non richiedono convessità forte. FedRSPO+ impiega una procedura di addestramento modulare con riduzione graduale, compatibile con i metodi standard di personalizzazione e aggregazione federate. Esperimenti su problemi sintetici di zaino e di cammino minimo, e su problemi reali di determinazione dei prezzi dell’energia, confrontano FedRSPO+ con l’apprendimento federato basato sulle sole previsioni e con metodi DFL di riferimento, al variare dell’eterogeneità e dei budget di comunicazione. I risultati suggeriscono che rendere più regolare la mappa delle decisioni sia utile per un apprendimento collaborativo stabile delle decisioni e offrono una base per il DFL federato che tiene conto dell’eterogeneità.