.png){kind=icon}
返回
Communication-efficient online federated composite optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.automatica.2025.112679.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在线联邦优化对于动态环境中的序贯决策制定至关重要，但其往往忽略了非光滑正则项，而这类正则项在机器学习、无线通信等实际应用中较为常见。此外，通信开销在实际应用中是一个重要考量。因此，我们通过引入在线联邦复合优化问题来应对这两个问题，其中损失函数随时间变化并包含非光滑正则项，同时采用压缩器来降低通信开销。提出了一种名为FedOEC的算法，该算法利用多核和压缩器高效地同时解决含非光滑正则项的在线优化问题并减少通信开销。通过理论分析，FedOEC在凸设置下采用时变步长时能够达到最优的次线性遗憾界O(T)，其中T表示通信轮次。最后，数值实验验证了所提出算法的有效性。
Keyword:
Federated composite optimization
Online learning
Compression
Multi-kernel learning
Regret
期刊
IF:
5.9
论文数:
1.2W
被引数:
5.2W
机构
查看更多机构
引用论文
暂无论文信息