Fugu-MT 論文翻訳(概要): SLowcal-SGD: Slow Query Points Improve Local-SGD for Stochastic Convex Optimization

論文の概要: SLowcal-SGD: Slow Query Points Improve Local-SGD for Stochastic Convex Optimization

arxiv url: http://arxiv.org/abs/2304.04169v1
Date: Sun, 9 Apr 2023 06:10:49 GMT
ステータス: 処理完了
システム内更新日: 2023-04-11 17:21:06.987987
Title: SLowcal-SGD: Slow Query Points Improve Local-SGD for Stochastic Convex Optimization
Title（参考訳）: SLowcal-SGD: 局所SGDの改善による確率凸最適化
Authors: Kfir Y. Levy
Abstract要約: 我々は,2つの主要な分散ベースラインであるMinibatch-SGDとLocal-SGDに対して有益であることを示す,最初のローカル更新手法を設計する。このアプローチの鍵となるのは、分散設定をカスタマイズする遅いクエリ技術です。
参考スコア（独自算出の注目度）: 12.709177728330399
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider distributed learning scenarios where M machines interact with a parameter server along several communication rounds in order to minimize a joint objective function. Focusing on the heterogeneous case, where different machines may draw samples from different data-distributions, we design the first local update method that provably benefits over the two most prominent distributed baselines: namely Minibatch-SGD and Local-SGD. Key to our approach is a slow querying technique that we customize to the distributed setting, which in turn enables a better mitigation of the bias caused by local updates.
Abstract（参考訳）: 我々は,Mマシンが複数の通信ラウンドに沿ってパラメータサーバと対話する分散学習シナリオを考察し,協調目的関数の最小化を図る。異なるマシンが異なるデータ配信からサンプルを抽出できる異種ケースに着目し、最も顕著な分散ベースラインであるMinibatch-SGDとLocal-SGDに対して確実に利益をもたらす最初のローカル更新手法を設計する。私たちのアプローチの鍵となるのは、分散設定にカスタマイズした、遅いクエリテクニックです。

関連論文リスト

PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
Computing Low-Entropy Couplings for Large-Support Distributions [53.00113867130712]
最小エントロピー結合は因果関係やステガノグラフィーなどの分野で応用されている。既存のアルゴリズムは、大容量の分布に対して計算的に抽出可能であるか、特定の分布タイプに限定されている。この研究は、事前の反復MECアプローチを一般化されたパーティションベースの形式主義に統一することにより、これらの制限に対処する。
論文参考訳（メタデータ） (2024-05-29T21:54:51Z)
Dual Adversarial Alignment for Realistic Support-Query Shift Few-shot Learning [15.828113109152069]
Support-Query Shift Few-shot Learningは、低次元空間に埋め込まれた学習結果に基づいて、未確認例(クエリセット)をラベル付きデータ(サポートセット)に分類することを目的としている。本稿では,現実的なサポートクエリシフト (Realistic Support-Query Shift) という,新しい難題を提案する。さらに,DuaL(dual adversarial alignment framework)と呼ばれる一貫した対角的特徴アライメント手法を提案し,RSQSをドメイン間バイアスとドメイン内分散の2つの側面から緩和する。
論文参考訳（メタデータ） (2023-09-05T09:50:31Z)
On Second-order Optimization Methods for Federated Learning [59.787198516188425]
フェデレート学習環境における局所的なステップを持つ2階分散手法の性能評価を行った。本稿では,更新のための2階ローカル情報とグローバルライン検索を用いて,結果の局所的特異性に対処する新たな変種を提案する。
論文参考訳（メタデータ） (2021-09-06T12:04:08Z)
STEM: A Stochastic Two-Sided Momentum Algorithm Achieving Near-Optimal Sample and Communication Complexities for Federated Learning [58.6792963686231]
フェデレートラーニング(FL)とは、複数のワーカノード(WN)がローカルデータを用いてジョイントモデルを構築するパラダイムを指す。 WNの最小更新方向、最初のミニバッチサイズ、ローカル更新頻度をどうやって選択するかは明らかになっていない。局所的な更新頻度と局所的なミニサイズとの間にはトレードオフ曲線があることを示し、上記の複雑さを維持できることを示す。
論文参考訳（メタデータ） (2021-06-19T06:13:45Z)
A Bayesian Federated Learning Framework with Online Laplace Approximation [144.7345013348257]
フェデレートラーニングは、複数のクライアントが協力してグローバルに共有されたモデルを学ぶことを可能にする。クライアント側とサーバ側の両方の後方部を近似するために,オンラインラプラス近似を用いた新しいFLフレームワークを提案する。提案手法の利点を実証し,いくつかのベンチマークで最新の結果を得た。
論文参考訳（メタデータ） (2021-02-03T08:36:58Z)
Local SGD: Unified Theory and New Efficient Methods [8.701566919381223]
本稿では,局所的なSGD手法を凸型および強凸型で解析するための統一的なフレームワークを提案する。我々は,データ均一性や他の強い仮定を必要としない,線形収束型局所SGD法を開発した。
論文参考訳（メタデータ） (2020-11-03T13:02:50Z)
Minibatch vs Local SGD for Heterogeneous Distributed Learning [28.80878557506603]
この環境では、Minibatch SGDがLocal SGDの既存の分析を全て支配していると論じる。非均一な状態下で, ミニバッチSGDよりも改善された局所SGDの第一上界を示す。
論文参考訳（メタデータ） (2020-06-08T16:40:49Z)
A Unified Theory of Decentralized SGD with Changing Topology and Local Updates [70.9701218475002]
分散通信方式の統一収束解析を導入する。いくつかの応用に対して普遍収束率を導出する。私たちの証明は弱い仮定に依存している。
論文参考訳（メタデータ） (2020-03-23T17:49:15Z)
Robust Federated Learning Through Representation Matching and Adaptive Hyper-parameters [5.319361976450981]
フェデレーション学習(Federated Learning)は、複数のクライアントに属するデータに対して単一のモデルをトレーニングする、分散されたプライバシ対応の学習シナリオである。現在のフェデレーション学習手法は、異種クライアント側データ分散に苦慮している。本稿では,局所モデルのばらつきを低減する表現マッチング手法を提案する。
論文参考訳（メタデータ） (2019-12-30T20:19:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。