PulseAugur
中
实时 11:37:39
English(EN) First-Order Softmax Weighted Switching Gradient Method for Distributed Stochastic Minimax Optimization with Stochastic Constraints

新梯度法解决带随机约束的分布式优化问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的首阶Softmax加权切换梯度法，用于解决分布式随机极小极大优化问题及随机约束，特别适用于联邦学习场景。该方法在客户端完全参与的情况下，实现了最优性和可行性的理论预言机复杂度为$\tilde{\mathcal{O}}(\epsilon^{-4})$。通过引入客户端采样噪声，将分析扩展到部分参与的情况，并在放宽的有界性假设下展示了尖锐的收敛保证。在Neyman-Pearson分类、公平分类和联邦安全强化学习任务上的实验验证了该算法的有效性和稳定性。 AI

影响 引入了一种新的优化技术，有望提高分布式和联邦式AI学习任务的性能。

排序理由 这是一篇详细介绍一种新颖优化方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新梯度法解决带随机约束的分布式优化问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zhankun Luo, Antesh Upadhyay, Sang Bin Moon, Abolfazl Hashemi ·

    First-Order Softmax Weighted Switching Gradient Method for Distributed Stochastic Minimax Optimization with Stochastic Constraints

    arXiv:2603.05774v2 Announce Type: replace Abstract: This paper addresses the distributed stochastic minimax optimization problem subject to stochastic constraints. We propose a novel first-order Softmax-Weighted Switching Gradient method tailored for federated learning. Under ful…

相关实体

相关话题