РАЗРАБОТКА МЕТОДА И АЛГОРИТМОВ АДАПТИВНОГО ФЕДЕРАТИВНОГО ОБУЧЕНИЯ С УЧЕТОМ РАСПРЕДЕЛЕННОГО ЗАПАЗДЫВАНИЯ КЛИЕНТСКИХ ОБНОВЛЕНИЙ

Современные наукоемкие технологии. 2026. № 9. С. 43–53.

Зыков С. В., Ермаков С. Р.

При федеративном обучении с неоднородными клиентскими данными и переменными задержками запоздавшие обновления могут ухудшать качество модели, а обмен параметрами с глобальным сервером увеличивает сетевую нагрузку. Целью исследования является разработка и теоретико-экспериментальное обоснование метода и алгоритмов адаптивного федеративного обучения с учетом распределенного запаздывания клиентских обновлений. Для обоснования разрабатываемых решений использованы событийная и непрерывная модели градиентных обновлений, спектральный анализ устойчивости, вероятностные оценки возраста и расхождения обновлений, а также оценка изменения градиента по кривизне функции потерь. Получены характеристическое уравнение и условие определения критического шага обучения. Разработан метод с выбором шага обучения и числа локальных шагов, оценивающий применимость запаздывающих обновлений. Предложены алгоритмы иерархического агрегирования с проверкой совместимости результатов и инкрементального дерева решений с раздельной адаптацией параметров и структуры. Вычислительные сравнения подтвердили сокращение передачи данных при выполнении ограничений качества и эффективность отбора обновлений. Поэтапным отключением компонентов оценен их вклад в качество обучения и ресурсные затраты. Полученные результаты подтверждают применимость решений при переменных задержках в условиях неоднородности клиентских данных.

Ключевые слова: дерево решений, гетерогенные данные, асинхронное обучение, федеративное обучение