新论文详述高效、鲁棒的联邦学习优化方法

一篇新论文探讨了分布式和联邦设置中机器学习模型优化理论基础。它引入了 ProxSkip 和 Variance Reduced ProxSkip 算法，以提高通信效率和鲁棒性，尤其是在客户端部分参与和数据异构条件下。该研究还为拜占庭鲁棒性、梯度压缩技术以及大型模型微调的低秩适应提供了理论见解。 AI

影响 为更高效、更鲁棒的大规模机器学习模型训练提供了理论进步。

排序理由 该条目是一篇研究论文，详细介绍了机器学习中分布式和联邦优化理论基础和算法改进。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• DagsHub
• Gotit.pub
• Hryhorii Malynovskyi
• Hugging Face
• Litmaps
• ProxSkip
• ScienceCast
• scite Smart Citations
• Variance Reduced ProxSkip

• 论文
• 基础设施

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