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

Vietnamese

Decentralized Federated Learning (DFL) đào tạo các mô hình cá nhân trên các thiết bị trung bình với hàng xóm của họ thay vì với một máy chủ trung tâm. Tuy nhiên, các thiết bị thực sự thường offline trong vài giờ hoặc vài ngày, và một khách hàng trở về từ một sự gián đoạn chỉ có thể phục hồi bằng cách tổng hợp các mô hình mà khu phố của nó nắm giữ. Chúng tôi quan sát thấy rằng sự cố định nhất trong số các mô hình này thường là của khách hàng, một trường hợp mà các quy tắc hiện có của sự cố định, mà chỉ giảm giá các mô hình mà khách hàng nhận được, không giải quyết.

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