Goal-PD提出异步去中心化优化算法
热点事件观察中
Goal-PD提出异步去中心化优化算法
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
Anna van Elst、Olivier Fercoq、Igor Colin与Stephan Clémençon提出Goal-PD，一种面向非光滑凸优化的异步Gossip原始—对偶算法；论文建立其向极小点的几乎必然收敛性，并在分段线性二次目标下报告线性收敛。 基于论文摘要，Goal-PD在多种网络拓扑下的合成与真实数据集实验中，以中位数估计等非光滑任务测试了收敛速度；作者称其较现有异步基线收敛更快。每个节点无论度数如何都只维护两个变量，作者据此报告固定的内存需求。
AI 根据报道生成 · 2 小时前更新
最新进展10月7日 12:00
Goal-PD：面向非光滑凸优化的高效异步 Gossip 去中心化学习算法报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv · cs.AIGoal-PD：面向非光滑凸优化的高效异步 Gossip 去中心化学习算法
作者提出异步、基于 Gossip 的原始—对偶算法 Goal-PD，使每个节点无论其度数如何都仅维护两个变量，并建立其向优化问题极小点的几乎必然收敛性；当目标函数为分段线性二次函数时，作者进一步报告线性收敛结果。基于论文摘要，Goal-PD在合成和真实数据集、多种网络拓扑及中位数估计等非光滑任务上，较现有异步基线收敛更快，并因变量数量固定而显著降低内存需求。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。