.png){kind=icon}
返回
Centralized and Decentralized Implicit Differentiation
.png){kind=icon}
PRE
AI
DOI：10.1109/TCNS.2025.3548246.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
利用优化程序的基础结构已解锁计算增益，并在某些情况下使分布式求解方法成为可能。人们预期该结构可以同样应用于其他重要任务，例如微分。事实上，对优化程序的微分已引起广泛关注，并催生了诸多应用，从机器学习模型中的优化基层到作为双层程序的复杂设计问题。然而，现有的微分方法很少利用问题结构。在本文中，我们提出了一种高效框架，用于计算约束耦合优化问题的梯度。梯度被分解为局部分量——以分布式方式计算——以及耦合项——由中央协调器处理。该集中式框架实现了显著的计算增益，尤其适用于大型系统，我们提供了确保其有效性的充分条件。在此基础上，我们借助图结构问题中灵敏度的指数衰减，开发了一种decentralized算法——消除了对中央协调器的需求。最后，我们展示了该去中心化方案如何实现对大型动态电力系统模型中重要排放指标的高精度、高效估计。
Keyword:
Distributed computing
implicit differentiation
optimization
期刊
IF:
5
论文数:
1.7K
被引数:
5.8K
机构
引用论文
暂无论文信息