Newest papers

Learning to Refer: Inference-Time Collaboration in Decentralized Federated Learning

Yuheng Ma, Chendi Wang, Qiong Zhang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26800 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Trong học tập liên kết dữ liệu phi tập trung, các khách hàng không đồng nhất có thể phát triển chuyên môn bổ sung, nhưng mỗi truy vấn thường chỉ được đánh giá bởi khách hàng nơi nó đến. Để khai thác chuyên môn phân tán này mà không có sự phối hợp toàn cầu, chúng tôi xây dựng sự hợp tác theo thời gian suy luận như đề xuất chuyên gia địa phương có ngân sách, một quy trình định tuyến theo biểu đồ, trong đó một truy vấn chỉ có thể di chuyển giữa các khách hàng lân cận và chỉ có khách hàng đã truy cập đóng góp vào dự đoán cuối cùng của nó. EdgeDRM thực hiện khuôn khổ này bằng cách học một tiềm năng định tuyến dựa trên mật độ cho mỗi khách hàng: sự khác biệt giữa các tiềm năng lân cận cung cấp các so sánh được sử dụng để chọn các đề xuất liên tiếp, trong khi các mô hình nhiệm vụ địa phương tạo ra các dự đoán được tổng hợp dọc theo

Machine translation (Meta M2M100); the English original follows.

Abstract

In decentralized federated learning, heterogeneous clients may develop complementary expertise, yet each query is typically evaluated only by the client where it arrives. To exploit this distributed expertise without global coordination, we formulate inference-time collaboration as budgeted local expert referral, a graph-constrained routing process in which a query can move only between neighboring clients and only visited clients contribute to its final prediction. EdgeDRM implements this framework by learning a density-based routing potential for each client: differences between neighboring potentials provide the comparisons used to select successive referrals, while local task models generate predictions that are aggregated along the resulting route. Both training and inference are decentralized, using only neighbor-local information without a central router or graph-wide client scoring. We establish estimation guarantees for the learned comparisons and characterize how local improvement and graph structure govern prior-weighted density gains from referral. Experiments on benchmark and real-world medical data show that EdgeDRM outperforms graph-matched decentralized baselines in most settings, with the clearest benefits under sparse connectivity.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Exploit, Inference, Task (project management), Process (computing), Benchmark (surveying)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange