論文の概要: Accelerated Methods with Complexity Separation Under Data Similarity for Federated Learning Problems
- arxiv url: http://arxiv.org/abs/2601.08614v1
- Date: Tue, 13 Jan 2026 14:59:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-14 18:27:19.240995
- Title: Accelerated Methods with Complexity Separation Under Data Similarity for Federated Learning Problems
- Title（参考訳）: フェデレーション学習問題に対するデータ類似性の下での複雑度分離を伴う高速化手法
- Authors: Dmitry Bylinkin, Sergey Skorik, Dmitriy Bystrov, Leonid Berezin, Aram Avetisyan, Aleksandr Beznosikov,
- Abstract要約: データ分散における不均一性は、多くの現代の連合学習タスクにおいて課題となる。
データ類似性の下で計算的に重い合成体を含む最適化問題として定式化する。
凸の場合に対して最適なアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 42.29257500741435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneity within data distribution poses a challenge in many modern federated learning tasks. We formalize it as an optimization problem involving a computationally heavy composite under data similarity. By employing different sets of assumptions, we present several approaches to develop communication-efficient methods. An optimal algorithm is proposed for the convex case. The constructed theory is validated through a series of experiments across various problems.
- Abstract（参考訳）: データ分散における不均一性は、現代の多くのフェデレーション学習タスクにおいて課題となる。
データ類似性の下で計算的に重い合成体を含む最適化問題として定式化する。
仮定の異なるセットを利用することで、通信効率のよい手法を開発するためのいくつかのアプローチを提案する。
凸の場合に対して最適なアルゴリズムを提案する。
構築された理論は、様々な問題に対する一連の実験を通じて検証される。
関連論文リスト
- Maximum likelihood inference for high-dimensional problems with multiaffine variable relations [2.4578723416255754]
本稿では,変数がマルチファイン表現によって関連付けられている推論問題について考察する。
本稿では, 一般化正規分布問題に対して, 交互・反復重み付き最小二乗法 (AIRLS) アルゴリズムを提案し, その収束性を証明する。
論文 参考訳（メタデータ） (2024-09-05T13:07:31Z) - A Hierarchical Federated Learning Approach for the Internet of Things [3.28418927821443]
大規模IoTデプロイメントに適した新しいフェデレーション学習ソリューションQHetFedを提案する。
我々は,QHetFedが常に高い学習精度を達成し,他の階層的アルゴリズムよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2024-03-03T15:40:24Z) - A Comparative Analysis of Distributed Linear Solvers under Data Heterogeneity [9.248526557884498]
本稿では,タスクマスターと機械の集合によって分散的あるいは連合的に線形方程式の大規模系を解く問題を考察する。
我々は、この問題を解決するためによく知られたアルゴリズムの2つのクラス、すなわち射影法と最適化法を比較した。
論文 参考訳（メタデータ） (2023-04-20T20:48:00Z) - Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。
微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文 参考訳（メタデータ） (2023-02-24T18:41:48Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳（メタデータ） (2022-12-02T05:07:50Z) - Compression and Data Similarity: Combination of Two Techniques for
Communication-Efficient Solving of Distributed Variational Inequalities [137.6408511310322]
本稿では、圧縮とデータ類似性という2つの一般的なアプローチの組み合わせについて考察する。
この相乗効果は, 分散分散単調変分不等式の解法において, それぞれ別々に行う方法よりも効果的であることを示す。
論文 参考訳（メタデータ） (2022-06-19T16:38:56Z) - Algorithms for Solving Nonlinear Binary Optimization Problems in Robust
Causal Inference [2.169755083801688]
連続的な結果を持つ観測データから、堅牢な因果推論テストインスタンスを解くための勾配アルゴリズムを提案する。
実現可能性定式化の構造を生かして,ロバストなテスト問題を解決するのに効率的な欲望スキームを開発する。
論文 参考訳（メタデータ） (2020-12-22T16:12:11Z) - Isometric Multi-Shape Matching [50.86135294068138]
形状間の対応を見つけることは、コンピュータビジョンとグラフィックスの基本的な問題である。
アイソメトリーは形状対応問題においてしばしば研究されるが、マルチマッチング環境では明確には考慮されていない。
定式化を解くのに適した最適化アルゴリズムを提案し,コンバージェンスと複雑性解析を提供する。
論文 参考訳（メタデータ） (2020-12-04T15:58:34Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。