Decentralized learning in Markov games
PulseAugur coverage of Decentralized learning in Markov games — every cluster mentioning Decentralized learning in Markov games across labs, papers, and developer communities, ranked by signal.
-
去中心化学习研究探讨拓扑和数据动力学 · 跟踪到2个来源
两篇新研究论文探讨了去中心化学习的动力学,重点关注网络拓扑和数据分布如何影响模型性能。第一篇论文通过在CIFAR-10上比较环状、静态随机图和一种称为局部优先启发式演化(LFHE)的局部自适应过程等不同网络结构,研究了客户端数量的扩展如何影响学习。研究发现,通信结构显著影响学习结果,固定的局部数据集大小可以减轻一些人口扩展的惩罚。第二篇论文更详细地介绍了LFHE,将其作为一个有界的局部拓扑搜索框架,仅使用邻居和朋友的朋友信息。该方法旨…
-
调查将协作学习从欧几里得数据映射到图结构数据
本次调查论文探讨了协作学习从传统欧几里得数据到更复杂的图结构数据的演变。通过考察联邦学习和去中心化学习等方法,解决了中心化机器学习的可扩展性和隐私问题等局限性。该论文对图分布场景进行了分类,并提出了图上学习的标准框架,强调了这一新兴领域中开放的挑战和未来的研究方向。
-
新理论表明掩码图像建模对非独立同分布数据更具鲁棒性
一项新的理论分析探讨了分布式自监督学习(D-SSL)框架在面对非独立同分布(non-IID)数据时的鲁棒性。研究表明,与对比学习(CL)相比,掩码图像建模(MIM)对数据异质性更具弹性。此外,研究表明去中心化自监督学习的鲁棒性随着网络连接的增加而提高,这意味着联邦学习与去中心化学习一样鲁棒。为了增强MIM,该论文引入了MAR损失,它包含了局部到全局的对齐正则化,实验结果验证了理论发现和MAR损失的有效性。
-
在实际无线约束下分析去中心化学习协议
一篇新的研究论文探讨了去中心化学习协议,重点关注其在移动和带宽受限等现实无线条件下的性能。该研究根据接触时间、部分更新和争用等因素,确定了三种不同的运行机制,为在利用蓝牙 LE、LTE 和 Wi-Fi 等技术的系统中部署去中心化学习提供了实用见解。研究结果旨在指导改进连接性、带宽和争用缓解措施,以实现更有效的去中心化学习。