論文の概要: Distributed Convolutional Rank Regression over Decentralized Networks
- arxiv url: http://arxiv.org/abs/2607.23639v2
- Date: Tue, 28 Jul 2026 14:59:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 14:13:57.672663
- Title: Distributed Convolutional Rank Regression over Decentralized Networks
- Title（参考訳）: 分散ネットワーク上の分散畳み込みランク回帰
- Authors: Chunjing Li, Tiange Zhao, Xiaohui Yuan,
- Abstract要約: 本稿では,分散学習ネットワーク上での畳み込みランク回帰(CRR)について検討する。
本稿では,カーネルスムースなランク損失を伴うコンセンサス制約付き最適化を解くことで,推定値を求める分散CRRフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.185625997686893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies convolution rank regression (CRR) over decentralized distributed learning networks. We propose a novel decentralized CRR framework, in which estimators are obtained by solving consensus-constrained optimization with kernel-smoothed rank loss. The developed estimation scheme relies solely on local node data and information shared by neighboring nodes, thereby achieving privacy preservation and high communication efficiency. For heterogeneous network settings, we establish finite-sample error bounds for the decentralized CRR estimator and derive exact support recovery guarantees for the sparse decentralized CRR Lasso estimator. To facilitate numerical implementation, we adopt a generalized consensus ADMM to efficiently solve local subproblems across all network nodes. We verify the favorable performance of our developed approach via extensive numerical simulations and real-data experiments.
- Abstract（参考訳）: 本稿では分散学習ネットワーク上での畳み込みランク回帰(CRR)について検討する。
本稿では,カーネルスムースなランク損失を伴うコンセンサス制約付き最適化を解くことで,推定値を求める分散CRRフレームワークを提案する。
開発した推定手法は, 隣接ノードが共有するローカルノードデータと情報のみに依存し, プライバシー保護と通信効率の向上を実現する。
不均一なネットワーク設定では、分散CRR推定器の有限サンプル誤差境界を確立し、スパース分散CRRラッソ推定器の正確なサポート回復保証を導出する。
数値的な実装を容易にするため,全ネットワークノードにわたる局所的なサブプロブレムを効率よく解くために,一般化されたコンセンサスADMMを採用した。
本研究では, 大規模数値シミュレーションと実データ実験により, 提案手法の有効性を検証した。
関連論文リスト
- Joint Optimization of Model Partitioning and Resource Allocation for Anti-Jamming Collaborative Inference Systems [52.842088497389746]
この手紙は、悪意のあるジャマーの存在下での、アンチジャミングの協調推論システムに焦点を当てている。
まず、ジャミングとDNNパーティショニングがデータ回帰による推測精度に与える影響を解析する。
問題を3つのサブプロブレムに分解する,効率的な交互最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-03T03:52:52Z) - Rethinking Clustered Federated Learning in NOMA Enhanced Wireless
Networks [60.09912912343705]
本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。
データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。
非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
論文 参考訳（メタデータ） (2024-03-05T17:49:09Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳（メタデータ） (2023-05-24T17:26:22Z) - Communication-Efficient Distributionally Robust Decentralized Learning [23.612400109629544]
分散学習アルゴリズムは、相互接続されたエッジデバイスにデータと計算資源を共有する権限を与える。
そこで本研究では,単一分散ループ降下/上昇アルゴリズム(ADGDA)を提案し,その基礎となるミニマックス最適化問題を解く。
論文 参考訳（メタデータ） (2022-05-31T09:00:37Z) - Fast and Robust Sparsity Learning over Networks: A Decentralized
Surrogate Median Regression Approach [10.850336820582678]
本稿では、分散化空間学習問題を効率的に解くために、分散化代理中央回帰法(deSMR)を提案する。
提案アルゴリズムは,簡単な実装で線形収束率を満足する。
また,スパース・サポート・リカバリの理論的結果も確立した。
論文 参考訳（メタデータ） (2022-02-11T08:16:01Z) - Asynchronous Distributed Reinforcement Learning for LQR Control via Zeroth-Order Block Coordinate Descent [7.6860514640178]
分散強化学習のための新しいゼロ階最適化アルゴリズムを提案する。
これにより、各エージェントはコンセンサスプロトコルを使わずに、コスト評価を独立してローカル勾配を推定できる。
論文 参考訳（メタデータ） (2021-07-26T18:11:07Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳（メタデータ） (2021-06-15T17:45:51Z)
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。