两篇新研究论文探讨了用于机器学习的去中心化优化方法，重点关注通信压缩的挑战。第一篇论文《Decentralized Stochastic Subgradient-type Methods with Communication Compression for Nonsmooth Nonconvex Optimization》提出了一个统一各种去中心化方法的通用框架，并为非光滑非凸目标建立了全局收敛性。第二篇论文《Revisiting Decentralized Online Convex Optimization with Compressed Communication》提出了用于带通信压缩的去中心化在线凸优化的新颖的FTRL（Follow-the-Regularized-Leader）类型算法，在遗憾界和通信成本方面比现有方法有所改进。 AI
影响 这些论文推进了对去中心化学习算法的理论理解，有望提高分布式AI系统的效率。
排序理由 该集群包含两篇在arXiv上发表的关于机器学习优化方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
