Безградиентные методы для федеративного обучения

Современные задачи машинного обучения требуют обработки большого количества данных, которые могут храниться на разных источниках. Обучение модели без сбора данных оказывается полезным во многих сценариях, например когда обмен данными невозможен из-за их конфиденциальности. Для таких задач оказалось полезным применение федеративного обучения, при котором несколько объектов/клиентов (например, компьютеров) совместно решают задачу машинного обучения, не обмениваясь своими локальными данными для обеспечения надежной защиты конфиденциальности. В докладе я расскажу про федеративное обучение применительно для негладких выпуклых задач оптимизации. Оптимизация будет выполняться только лишь на основе реализации значений целевой функции (возможно зашумленных значений), так как в различных приложениях градиентная информация чрезмерно дорогая или даже недоступна.