Newest papers

Discount Yourself: Self-inclusive Freshness-weighted Gossip for Decentralised Learning under Client Outages

Qiyuan Wang, Ke Xiao, Christos Anagnostopoulos · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28545 · open-access PDF

Russian

Децентрализованное федеративное обучение (DFL) тренирует персонализированные модели на устройствах, которые в среднем со своими соседями, а не с центральным сервером. Реальные устройства, однако, часто находятся в автономном режиме в течение часов или дней, и клиент, возвращающийся из перерыва, может восстановиться только путем агрегирования моделей, которые имеет его сосед. Мы наблюдаем, что наиболее устойчивый из этих моделей обычно является собственным клиентом, в том случае, когда существующие правила, осознающие застой, которые снижают только модели, которые клиент получает, не решают.

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

Abstract

Decentralised federated learning (DFL) trains personalised models on devices that average with their neighbours rather than with a central server. Real devices, however, are often offline for hours or days, and a client returning from an outage can recover only by aggregating the models its neighbourhood holds. We observe that the stalest of these models is usually the client's own, a case that existing staleness-aware rules, which discount only the models a client receives, do not address. We formalise aggregation after an outage as estimating the state of a fully available network and derive

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

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