Fugu-MT 論文翻訳(概要): An Asynchronous Decentralised Optimisation Algorithm for Nonconvex Problems

論文の概要: An Asynchronous Decentralised Optimisation Algorithm for Nonconvex Problems

arxiv url: http://arxiv.org/abs/2507.22311v1
Date: Wed, 30 Jul 2025 00:55:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-31 16:14:17.913086
Title: An Asynchronous Decentralised Optimisation Algorithm for Nonconvex Problems
Title（参考訳）: 非凸問題に対する非同期分散最適化アルゴリズム
Authors: Behnam Mafakheri, Jonathan H. Manton, Iman Shames,
Abstract要約: 本稿では,非分散最適化と分散エージェントのネットワークについて考察する。我々はランダム化に基づくADMMアルゴリズムを開発した。 Douglas ラフフォード・ブロックのエージェント。
参考スコア（独自算出の注目度）: 3.2689702143620147
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper, we consider nonconvex decentralised optimisation and learning over a network of distributed agents. We develop an ADMM algorithm based on the Randomised Block Coordinate Douglas-Rachford splitting method which enables agents in the network to distributedly and asynchronously compute a set of first-order stationary solutions of the problem. To the best of our knowledge, this is the first decentralised and asynchronous algorithm for solving nonconvex optimisation problems with convergence proof. The numerical examples demonstrate the efficiency of the proposed algorithm for distributed Phase Retrieval and sparse Principal Component Analysis problems.
Abstract（参考訳）: 本稿では,分散エージェントネットワーク上での非凸分散最適化と学習について考察する。我々は、ネットワーク内のエージェントが、問題の1次定常解の集合を分散的に非同期に計算できるランダム化ブロック座標ダグラス・ラフフォード分割法に基づくADMMアルゴリズムを開発した。我々の知る限り、このアルゴリズムは収束証明を用いて非凸最適化問題を解くための最初の分散非同期アルゴリズムである。数値的な例は、分散相検索およびスパース主成分分析問題に対する提案アルゴリズムの有効性を示す。

関連論文リスト

Communication-Efficient Stochastic Distributed Learning [3.2923780772605595]
非および凸型、非指向型ネットワークの分散学習問題に対処する。特に,高通信コストの課題に対処するために,分散マルチプライヤの交換方法(MM)に基づく小説を設計する。
論文参考訳（メタデータ） (2025-01-23T10:05:23Z)
Lower Bounds and Optimal Algorithms for Non-Smooth Convex Decentralized Optimization over Time-Varying Networks [57.24087627267086]
通信ネットワークのノード間で分散的に格納された凸関数の総和を最小化するタスクについて検討する。この問題を解決するのに必要な分散通信数と(サブ)漸進計算の下位境界が確立されている。我々は,これらの下界に適合する最初の最適アルゴリズムを開発し,既存の最先端技術と比較して理論性能を著しく向上させる。
論文参考訳（メタデータ） (2024-05-28T10:28:45Z)
Decentralized Sum-of-Nonconvex Optimization [42.04181488477227]
我々は、平均的な非合意数である保証関数(sum-of-non function)の最適化問題を考察する。本稿では,勾配,速度追跡,マルチコンセンサスといった手法を用いて,高速化された分散化1次アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-02-04T05:48:45Z)
Stability and Generalization of the Decentralized Stochastic Gradient Descent Ascent Algorithm [80.94861441583275]
本稿では,分散勾配勾配(D-SGDA)アルゴリズムの一般化境界の複雑さについて検討する。本研究は,D-SGDAの一般化における各因子の影響を解析した。また、最適凸凹設定を得るために一般化とバランスをとる。
論文参考訳（メタデータ） (2023-10-31T11:27:01Z)
Decentralized Multi-Level Compositional Optimization Algorithms with Level-Independent Convergence Rate [26.676582181833584]
分散化されたマルチレベル最適化は、マルチレベル構造と分散通信のために困難である。マルチレベル構成問題を最適化する2つの新しい分散最適化アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-06-06T00:23:28Z)
Can Decentralized Stochastic Minimax Optimization Algorithms Converge Linearly for Finite-Sum Nonconvex-Nonconcave Problems? [56.62372517641597]
分散化されたミニマックス最適化は、幅広い機械学習に応用されているため、ここ数年で活発に研究されている。本稿では,非コンカブ問題に対する2つの新しい分散化ミニマックス最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-24T02:19:39Z)
Decentralized Inexact Proximal Gradient Method With Network-Independent Stepsizes for Convex Composite Optimization [39.352542703876104]
本稿では,非方向および接続ネットワーク上での分散凸複合最適化について考察する。 CTA(Combine-Then-Adapt)に基づく新しい分散アルゴリズムは、非協調的なネットワーク非依存の定数ステップサイズの下で提案される。
論文参考訳（メタデータ） (2023-02-07T03:50:38Z)
A Penalty-Based Method for Communication-Efficient Decentralized Bilevel Programming [14.35928967799696]
本稿では,分散化ネットワーク上での双方向プログラミング問題の解法として,ペナルティ関数に基づく分散化アルゴリズムを提案する。提案アルゴリズムの重要な特徴は,ペナルティ関数の過度勾配の推定である。我々の理論的枠組みは、様々な凸条件下での原問題の最適解に漸近的でない収束を保証する。
論文参考訳（メタデータ） (2022-11-08T08:39:30Z)
On Accelerating Distributed Convex Optimizations [0.0]
本稿では,分散マルチエージェント凸最適化問題について検討する。提案アルゴリズムは, 従来の勾配偏光法よりも収束率を向上し, 線形収束することを示す。実ロジスティック回帰問題の解法として,従来の分散アルゴリズムと比較して,アルゴリズムの性能が優れていることを示す。
論文参考訳（メタデータ） (2021-08-19T13:19:54Z)
Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文参考訳（メタデータ） (2021-06-08T15:54:44Z)
A Multi-Agent Primal-Dual Strategy for Composite Optimization over Distributed Features [52.856801164425086]
目的関数を滑らかな局所関数と凸(おそらく非滑らか)結合関数の和とするマルチエージェント共有最適化問題について検討する。
論文参考訳（メタデータ） (2020-06-15T19:40:24Z)
Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization [64.26238893241322]
単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
論文参考訳（メタデータ） (2020-03-31T16:54:22Z)

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。