論文の概要: Distributed Online Convex Optimization with Nonseparable Costs and Constraints

• arxiv url: http://arxiv.org/abs/2602.10452v1
• Date: Wed, 11 Feb 2026 02:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.406358
• Title: Distributed Online Convex Optimization with Nonseparable Costs and Constraints
• Title（参考訳）: 非分離コストと制約を考慮した分散オンライン凸最適化
• Authors: Zhaoye Pan, Haozhe Lei, Fan Zuo, Zilin Bian, Tao Li,
• Abstract要約: 本研究では,コミュニケーショングラフを介してネットワーク化されたエージェント群について検討し,非分離的グローバルコスト関数の列を最小化するためのアクションを集合的に選択する。 本稿では,各エージェントがグローバルな集団決定のローカルな信念を維持・更新する分散オンライン・プライマリ・デュアル・コンセンサス・コンセンサス・アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.671875264854638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies distributed online convex optimization with time-varying coupled constraints, motivated by distributed online control in network systems. Most prior work assumes a separability condition: the global objective and coupled constraint functions are sums of local costs and individual constraints. In contrast, we study a group of agents, networked via a communication graph, that collectively select actions to minimize a sequence of nonseparable global cost functions and to stratify nonseparable long-term constraints based on full-information feedback and intra-agent communication. We propose a distributed online primal-dual belief consensus algorithm, where each agent maintains and updates a local belief of the global collective decisions, which are repeatedly exchanged with neighboring agents. Unlike the previous consensus primal-dual algorithms under separability that ask agents to only communicate their local decisions, our belief-sharing protocol eliminates coupling between the primal consensus disagreement and the dual constraint violation, yielding sublinear regret and cumulative constraint violation (CCV) bounds, both in $O({T}^{1/2})$, where $T$ denotes the time horizon. Such a result breaks the long-standing $O(T^{3/4})$ barrier for CCV and matches the lower bound of online constrained convex optimization, indicating the online learning efficiency at the cost of communication overhead.
• Abstract（参考訳）: 本稿では,ネットワークシステムにおける分散オンライン制御を動機とした,時間的制約による分散オンライン凸最適化について検討する。 大域的な目的と結合された制約関数は、局所的なコストと個々の制約の和である。 これとは対照的に,コミュニケーショングラフを介してネットワーク化されたエージェント群について検討し,非分離的グローバルコスト関数の列を最小化し,全情報フィードバックとエージェント内通信に基づく非分離的長期制約を階層化する。 本稿では,各エージェントが,近隣エージェントと繰り返し交わされるグローバルな集団決定のローカルな信念を維持・更新する分散オンラインプライマリ・デュアル・コンセンサス・コンセンサス・アルゴリズムを提案する。 エージェントにローカルな決定のみを伝えるように求めている従来のコンセンサス-双対アルゴリズムとは異なり、我々の信念共有プロトコルは、原始的なコンセンサス不一致と二重制約違反の結合を排除し、サブリニアな後悔と累積制約違反(CCV)バウンダリ(いずれも$O({T}^{1/2})$)を生じる。 このような結果は、CCVの長期にわたる$O(T^{3/4})$障壁を破り、オンライン制約付き凸最適化の低い限界と一致し、通信オーバーヘッドのコストでオンライン学習効率を示す。

関連論文リスト

• Spatial Supply Repositioning with Censored Demand Data [10.797160099834306]
  我々は、一方通行のオンデマンド車両共有サービスによるネットワーク在庫システムについて検討する。 このような一般的な在庫ネットワークにおいて最適なポリシーを見つけることは解析的にも計算的にも困難である。 我々の研究は、共有モビリティビジネスの生存性における在庫管理の重要性を強調している。
  論文  参考訳（メタデータ） (2025-01-31T15:16:02Z)
• On the Necessity of Collaboration for Online Model Selection with Decentralized Data [53.244188985271606]
  我々は,100万ドル以上の分散データを用いたオンラインモデル選択について検討し,クライアント間のコラボレーションの必要性について検討する。 i) クライアント上の計算コストが$o(K)$に制限された場合, (ii) クライアント上での計算制約がない場合, (i) 協調は不要であり, (ii) クライアント上での計算コストは$o(K)$に制限される。
  論文  参考訳（メタデータ） (2024-04-15T06:32:28Z)
• Decentralized Multi-Task Online Convex Optimization Under Random Link Failures [5.513958040574729]
  我々は不均一な確率を持つランダムリンク障害に対する頑健な分散型サドルポイントアルゴリズムを開発した。 我々はアルゴリズムと分析を2点の帯域フィードバックシナリオに拡張する。
  論文  参考訳（メタデータ） (2024-01-04T00:57:33Z)
• Communication-Efficient Zeroth-Order Distributed Online Optimization: Algorithm, Theory, and Applications [9.045332526072828]
  本稿では,目標追跡のためのフェデレーション学習環境におけるマルチエージェントゼロ階オンライン最適化問題に焦点を当てる。 提案手法は、2つの関連するアプリケーションにおけるエラーとエラーの観点からさらに解析される。
  論文  参考訳（メタデータ） (2023-06-09T03:51:45Z)
• Quantization for decentralized learning under subspace constraints [61.59416703323886]
  エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。 本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。 この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
  論文  参考訳（メタデータ） (2022-09-16T09:38:38Z)
• Algorithm for Constrained Markov Decision Process with Linear Convergence [55.41644538483948]
  エージェントは、そのコストに対する複数の制約により、期待される累積割引報酬を最大化することを目的としている。 エントロピー正規化ポリシーとベイダの二重化という2つの要素を統合した新しい双対アプローチが提案されている。 提案手法は(線形速度で)大域的最適値に収束することが示されている。
  論文  参考訳（メタデータ） (2022-06-03T16:26:38Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)
• 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)
• Regret and Cumulative Constraint Violation Analysis for Distributed Online Constrained Convex Optimization [24.97580261894342]
  本稿では,エージェントネットワーク上の時間的制約を伴う分散オンライン凸最適化問題について考察する。 フルインフォメーションとバンディットフィードバックの2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-01T18:28:53Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)

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。