Buchumschlag

CEDAS: A Compressed Decentralized Stochastic Gradient Method with Improved Convergence

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Kun, Pu, Shi
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Optimization and Control Distributed, Parallel, and Cluster Computing Machine Learning Multiagent Systems
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)

Compressed Gradient Tracking for Decentralized Optimization Over General Directed Networks
von: Song, Zhuoqing, et al.
Veröffentlicht: (2021)

Rendering Wireless Environments Useful for Gradient Estimators: A Zero-Order Stochastic Federated Learning Method
von: Mhanna, Elissa, et al.
Veröffentlicht: (2024)

Rate Analysis of Coupled Distributed Stochastic Approximation for Misspecified Optimization
von: Yang, Yaqun, et al.
Veröffentlicht: (2024)

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

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

Distributed Fractional Bayesian Learning for Adaptive Optimization
von: Yang, Yaqun, et al.
Veröffentlicht: (2024)

Estimation Network Design framework for efficient distributed optimization
von: Bianchi, Mattia, et al.
Veröffentlicht: (2024)

A Privacy Preserving Randomized Gossip Algorithm via Controlled Noise Insertion
von: Hanzely, Filip, et al.
Veröffentlicht: (2019)

Machine Learning and CPU (Central Processing Unit) Scheduling Co-Optimization over a Network of Computing Centers
von: Doostmohammadian, Mohammadreza, et al.
Veröffentlicht: (2025)

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

Quantized Decentralized Stochastic Learning over Directed Graphs
von: Taheri, Hossein, et al.
Veröffentlicht: (2020)

Several Performance Bounds on Decentralized Online Optimization are Highly Conservative and Potentially Misleading
von: Meunier, Erwan, et al.
Veröffentlicht: (2025)

A Bias-Correction Decentralized Stochastic Gradient Algorithm with Momentum Acceleration
von: Hu, Yuchen, et al.
Veröffentlicht: (2025)

Decentralized Federated Policy Gradient with Byzantine Fault-Tolerance and Provably Fast Convergence
von: Jordan, Philip, et al.
Veröffentlicht: (2024)

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

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

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

Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum
von: Zhou, Yuan, et al.
Veröffentlicht: (2025)

Stochastic Controlled Averaging for Federated Learning with Communication Compression
von: Huang, Xinmeng, et al.
Veröffentlicht: (2023)

SADDLe: Sharpness-Aware Decentralized Deep Learning with Heterogeneous Data
von: Choudhary, Sakshi, et al.
Veröffentlicht: (2024)

On the Surprising Effectiveness of a Single Global Merging in Decentralized Learning
von: Zhu, Tongtian, et al.
Veröffentlicht: (2025)

Optimizing Decentralized Online Learning for Supervised Regression and Classification Problems
von: Kruijssen, J. M. Diederik, et al.
Veröffentlicht: (2025)

A Stochastic Approximation Approach for Efficient Decentralized Optimization on Random Networks
von: Yau, Chung-Yiu, et al.
Veröffentlicht: (2024)

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

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

Decentralized Task Offloading and Load-Balancing for Mobile Edge Computing in Dense Networks
von: Yahya, Mariam, et al.
Veröffentlicht: (2024)

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

Activations and Gradients Compression for Model-Parallel Training
von: Rudakov, Mikhail, et al.
Veröffentlicht: (2024)

On the Design of Resilient Distributed Single Time-Scale Estimators: A Graph-Theoretic Approach
von: Doostmohammadian, Mohammadreza, et al.
Veröffentlicht: (2025)

Compressed Federated Reinforcement Learning with a Generative Model
von: Beikmohammadi, Ali, et al.
Veröffentlicht: (2024)

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

A Penalty-Based Method for Communication-Efficient Decentralized Bilevel Programming
von: Nazari, Parvin, et al.
Veröffentlicht: (2022)

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

Distributed Observer-based Fault Detection over Intelligent Networked Multi-Vehicle Systems
von: Doostmohammadian, Mohammadreza, et al.
Veröffentlicht: (2026)

Momentum-based Accelerated Algorithm for Distributed Optimization under Sector-Bound Nonlinearity
von: Doostmohammadian, Mohammadreza, et al.
Veröffentlicht: (2025)

Distributed Allocation and Resource Scheduling Algorithms Resilient to Link Failure
von: Doostmohammadian, Mohammadreza, et al.
Veröffentlicht: (2025)

Momentum-based Distributed Resource Scheduling Optimization Subject to Sector-Bound Nonlinearity and Latency
von: Doostmohammadian, Mohammadreza, et al.
Veröffentlicht: (2025)

Decentralized Directed Collaboration for Personalized Federated Learning
von: Liu, Yingqi, et al.
Veröffentlicht: (2024)

BROADCAST: Reducing Both Stochastic and Compression Noise to Robustify Communication-Efficient Federated Learning
von: Zhu, Heng, et al.
Veröffentlicht: (2021)