Buchumschlag

Tailoring Gradient Methods for Differentially-Private Distributed Optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Yongqiang, Nedic, Angelia
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Optimization and Control Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An Accelerated Distributed Stochastic Gradient Method with Momentum
von: Huang, Kun, et al.
Veröffentlicht: (2024)

An Optimistic Gradient Tracking Method for Distributed Minimax Optimization
von: Huang, Yan, et al.
Veröffentlicht: (2025)

Decentralized Gradient-Free Methods for Stochastic Non-Smooth Non-Convex Optimization
von: Lin, Zhenwei, et al.
Veröffentlicht: (2023)

Load Balancing with Network Latencies via Distributed Gradient Descent
von: Balseiro, Santiago R., et al.
Veröffentlicht: (2025)

Efficient Gradient Methods for Distributed Saddle Problems
von: Luo, Ruichen, et al.
Veröffentlicht: (2026)

Decentralized Distributed Optimization for Saddle Point Problems
von: Rogozin, Alexander, et al.
Veröffentlicht: (2021)

Smoothed Gradient Clipping and Error Feedback for Decentralized Optimization under Symmetric Heavy-Tailed Noise
von: Yu, Shuhua, et al.
Veröffentlicht: (2023)

Distributed Constraint-Coupled Optimization: Harnessing ADMM-consensus for robustness
von: Messilem, Mohamed Abdelmouamin, et al.
Veröffentlicht: (2025)

Distributed Constrained Combinatorial Optimization leveraging Hypergraph Neural Networks
von: Heydaribeni, Nasimeh, et al.
Veröffentlicht: (2023)

A Hybrid Stochastic Gradient Tracking Method for Distributed Online Optimization Over Time-Varying Directed Networks
von: Shi, Xinli, et al.
Veröffentlicht: (2025)

Distributed Conjugate Gradient Method via Conjugate Direction Tracking
von: Shorinwa, Ola, et al.
Veröffentlicht: (2023)

One-Point Feedback for Composite Optimization with Applications to Distributed and Federated Learning
von: Beznosikov, Aleksandr, et al.
Veröffentlicht: (2021)

A GPU-Accelerated Distributed Algorithm for Optimal Power Flow in Distribution Systems
von: Ryu, Minseok, et al.
Veröffentlicht: (2025)

dHPR: A Distributed Halpern Peaceman--Rachford Method for Non-smooth Distributed Optimization Problems
von: Feng, Zhangcheng, et al.
Veröffentlicht: (2025)

Accelerated Methods with Compressed Communications for Distributed Optimization Problems under Data Similarity
von: Bylinkin, Dmitry, et al.
Veröffentlicht: (2024)

CONGO: Compressive Online Gradient Optimization
von: Carleton, Jeremy, et al.
Veröffentlicht: (2024)

Smoothed Normalization for Efficient Distributed Private Optimization
von: Shulgin, Egor, et al.
Veröffentlicht: (2025)

D-PDLP: Scaling PDLP to Distributed Multi-GPU Systems
von: Li, Hongpei, et al.
Veröffentlicht: (2026)

Decentralized Nonsmooth Nonconvex Optimization with Client Sampling
von: Chen, Xinyan, et al.
Veröffentlicht: (2026)

Problem-Parameter-Free Decentralized Nonconvex Stochastic Optimization
von: Li, Jiaxiang, et al.
Veröffentlicht: (2024)

Distributed Stochastic Momentum Tracking with Local Updates: Achieving Optimal Communication and Iteration Complexities
von: Huang, Kun, et al.
Veröffentlicht: (2025)

Krylov Solvers for Interior Point Methods with Applications in Radiation Therapy and Support Vector Machines
von: Liu, Felix, et al.
Veröffentlicht: (2023)

Asynchronous Policy Gradient Aggregation for Efficient Distributed Reinforcement Learning
von: Tyurin, Alexander, et al.
Veröffentlicht: (2025)

Optimizing Stochastic Gradient Push under Broadcast Communications
von: Nguyen, Tuan, et al.
Veröffentlicht: (2026)

Decentralized Nonconvex Optimization under Heavy-Tailed Noise: Normalization and Optimal Convergence
von: Yu, Shuhua, et al.
Veröffentlicht: (2025)

Accelerating Optimal Power Flow with GPUs: SIMD Abstraction of Nonlinear Programs and Condensed-Space Interior-Point Methods
von: Shin, Sungho, et al.
Veröffentlicht: (2023)

From Sequential to Parallel: Reformulating Dynamic Programming as GPU Kernels for Large-Scale Stochastic Combinatorial Optimization
von: Zhao, Jingyi, et al.
Veröffentlicht: (2026)

GRAWA: Gradient-based Weighted Averaging for Distributed Training of Deep Learning Models
von: Dimlioglu, Tolga, et al.
Veröffentlicht: (2024)

GradSkip: Communication-Accelerated Local Gradient Methods with Better Computational Complexity
von: Maranjyan, Artavazd, et al.
Veröffentlicht: (2022)

A Double Tracking Method for Optimization with Decentralized Generalized Orthogonality Constraints
von: Wang, Lei, et al.
Veröffentlicht: (2024)

AGD: an Auto-switchable Optimizer using Stepwise Gradient Difference for Preconditioning Matrix
von: Yue, Yun, et al.
Veröffentlicht: (2023)

A Survey of Optimization Methods for Training DL Models: Theoretical Perspective on Convergence and Generalization
von: Wang, Jing, et al.
Veröffentlicht: (2025)

On Principled Local Optimization Methods for Federated Learning
von: Yuan, Honglin
Veröffentlicht: (2024)

A Graph-Based, Distributed Memory, Modeling Abstraction for Optimization
von: Cole, David L., et al.
Veröffentlicht: (2025)

Achieving Near-Optimal Convergence for Distributed Minimax Optimization with Adaptive Stepsizes
von: Huang, Yan, et al.
Veröffentlicht: (2024)

Accelerating Distributed Optimization: A Primal-Dual Perspective on Local Steps
von: Yang, Junchi, et al.
Veröffentlicht: (2024)

Lower Bounds and Accelerated Algorithms in Distributed Stochastic Optimization with Communication Compression
von: He, Yutong, et al.
Veröffentlicht: (2023)

Unbiased Compression Saves Communication in Distributed Optimization: When and How Much?
von: He, Yutong, et al.
Veröffentlicht: (2023)

Rescaled Asynchronous SGD: Optimal Distributed Optimization under Data and System Heterogeneity
von: Mahran, Ammar, et al.
Veröffentlicht: (2026)

Optimality in Decentralized Optimization under Bandwidth Constraints
von: Tyurin, Alexander
Veröffentlicht: (2026)