arXiv:2512.08671v1 Announce Type: cross 
Abstract: Recent work \cite{arifgroup} introduced Federated Proximal Gradient \textbf{(\texttt{FedProxGrad})} for solving non-convex composite optimization problems in group fair federated learning. However, the original analysis established convergence only to a \textit{noise-dominated neighborhood of stationarity}, with explicit dependence on a variance-induced noise floor. In this work, we provide an improved asymptotic convergence analysis for a generalized \texttt{FedProxGrad}-type analytical framework with inexact local proximal solutions and explicit fairness regularization. We call this extended analytical framework \textbf{DS \texttt{FedProxGrad}} (Decay Step Size \texttt{FedProxGrad}). Under a Robbins-Monro step-size schedule \cite{robbins1951stochastic} and a mild decay condition on local inexactness, we prove that $\liminf_{r\to\infty} \mathbb{E}[\|\nabla F(\mathbf{x}^r)\|^2] = 0$, i.e., the algorithm is asymptotically stationary and the convergence rate does not depend on a variance-induced noise floor.

أدت التطورات الأخيرة في التعلم الفيدرالي إلى تقديم DS FedProxGrad، وهو إطار تحليلي يعزز تحليل التقارب دون الاعتماد على أرضية ضوضاء. تتناول هذه الطريقة قيود الأساليب السابقة من خلال ضمان الاستقرار الأسيمبتيكي حتى مع الحلول المحلية غير الدقيقة وتنظيم العدالة.

Los avances recientes en el aprendizaje federado han llevado a la introducción de DS FedProxGrad, un marco analítico que mejora el análisis de convergencia sin depender de un piso de ruido. Este método aborda las limitaciones de enfoques anteriores al garantizar la estacionaridad asintótica incluso con soluciones locales inexactas y regularización de equidad.

Des avancées récentes dans l'apprentissage fédéré ont conduit à l'introduction de DS FedProxGrad, un cadre analytique qui améliore l'analyse de convergence sans dépendance à un bruit de fond. Cette méthode s'attaque aux limites des approches précédentes en garantissant la stationnarité asymptotique même avec des solutions locales inexactes et une régularisation de l'équité.

Recent advancements in federated learning have led to the introduction of DS FedProxGrad, an analytical framework that enhances convergence analysis without reliance on a noise floor. This method addresses the limitations of previous approaches by ensuring asymptotic stationarity even with inexact local solutions and fairness regularization.

DS FedProxGrad: Asymptotic Stationarity Without Noise Floor in Fair Federated Learning

Was this article worth reading? Share it

LucidQuery AI

Augmeta

Octofy