.png){kind=icon}
返回
Distributed Composite Regularization via Dual-Layer Consensus Optimization
.png){kind=icon}
OA
AI
DOI：10.1109/tsipn.2026.3680235.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
共识算法被广泛应用于分布式优化的大规模问题中，如稀疏估计、岭回归和最优控制。在这些场景中，正则化被用来对决策变量施加任务特定的结构约束，先前的研究主要关注于促进稀疏性或低能量解。然而，对于整个网络采用的正则化策略达成共识的关注较少。本文介绍了一种具有$\ell^{1}$和$\ell^{2}$正则化的新型共识算法。所提出的机制通过达成关于权重混合参数的共识，自适应地控制解的稀疏性与能量之间的权衡。我们证明了双层共识过程的收敛性，并将分布式正则化动态与社交学习中的意见形成联系起来。通过在集中式和分布式架构下使用真实图像数据集对低秩矩阵补全（LRMC）问题进行实验，证明了所提出的分布式复合正则化（DiCoR）算法的有效性。DiCoR方法也与采用分布式$\ell^{1}$、$\ell^{2}$动态正则化和ElasticNet的框架进行了比较。我们证明了该方法在多种场景下，以峰值信噪比（PSNR）和结构相似性指数度量（SSIM）衡量的图像重建质量更优。
Keyword:
Distributed optimization
consensus algorithms
composite regularization
Lyapunuv function
matrix completion
sparse signal reconstruction
期刊
IF:
4.9
论文数:
728
被引数:
1.9K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Provably Private Distributed Averaging Consensus: An Information-Theoretic Approach可证明隐私的分布式平均一致性：一种信息论方法
PREAI
分享收藏分享收藏分享收藏
查看更多内容