.png){kind=icon}
返回
Distributed Online Randomized Gradient-Free Optimization With Compressed Communication
.png){kind=icon}
PRE
AI
DOI：10.1109/tcyb.2026.3710570.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文针对分布式在线凸优化（DOCO）中的两个基本挑战：通信效率和有限反馈下的优化。我们提出了一种统一框架，命名为在线压缩梯度跟踪（OCGT），包括两种变体：两点赌博反馈（OCGT-BF）和随机梯度反馈（OCSGT）。所提出的算法利用数据压缩以及分布式网络中的无梯度或随机梯度优化技术。该框架引入了具有误差补偿机制的压缩方案，以减少通信开销同时保持收敛保证。与假设完美通信和完整梯度访问的传统方法不同，OCGT通过结合类似梯度的跟踪与两点或随机梯度反馈估计，在实际约束下有效运行。我们提供了理论分析，证明了两种变体的动态遗憾界限。最后，大量实验验证了OCGT在实现低动态遗憾的同时显著降低通信需求。
Keyword:
Bandit feedback (BF)
communication compression
distributed online optimization
dynamic regret
gradient tracking
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
查看更多机构
引用论文
暂无论文信息