Buchumschlag

Compressed and distributed least-squares regression: convergence rates with applications to Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Philippenko, Constantin, Dieuleveut, Aymeric
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

In-depth Analysis of Low-rank Matrix Factorisation in a Federated Setting
von: Philippenko, Constantin, et al.
Veröffentlicht: (2024)

Refined Analysis of Federated Averaging and Federated Richardson-Romberg
von: Mangold, Paul, et al.
Veröffentlicht: (2024)

Unified Breakdown Analysis for Byzantine Robust Gossip
von: Gaucher, Renaud, et al.
Veröffentlicht: (2024)

From Inexact Gradients to Byzantine Robustness: Acceleration and Optimization under Similarity
von: Gaucher, Renaud, et al.
Veröffentlicht: (2026)

Federated Majorize-Minimization: Beyond Parameter Aggregation
von: Dieuleveut, Aymeric, et al.
Veröffentlicht: (2025)

A Tight Theory of Error Feedback Algorithms in Distributed Optimization
von: Thomsen, Daniel Berg, et al.
Veröffentlicht: (2026)

Scaffold with Stochastic Gradients: New Analysis with Linear Speed-Up
von: Mangold, Paul, et al.
Veröffentlicht: (2025)

Error dynamics of mini-batch gradient descent with random reshuffling for least squares regression
von: Lok, Jackie, et al.
Veröffentlicht: (2024)

Tight analyses of first-order methods with error feedback
von: Thomsen, Daniel Berg, et al.
Veröffentlicht: (2025)

A least-square method for non-asymptotic identification in linear switching control
von: Sun, Haoyuan, et al.
Veröffentlicht: (2024)

Concentration inequalities for semidefinite least squares based on data
von: Fabiani, Filippo, et al.
Veröffentlicht: (2025)

PEPit: computer-assisted worst-case analyses of first-order optimization methods in Python
von: Goujaud, Baptiste, et al.
Veröffentlicht: (2022)

Risk reversal for least squares estimators under nested convex constraints
von: Al-Ghattas, Omar
Veröffentlicht: (2026)

Provable non-accelerations of the heavy-ball method
von: Goujaud, Baptiste, et al.
Veröffentlicht: (2023)

Counter-examples in first-order optimization: a constructive approach
von: Goujaud, Baptiste, et al.
Veröffentlicht: (2023)

Open Problem: Two Riddles in Heavy-Ball Dynamics
von: Goujaud, Baptiste, et al.
Veröffentlicht: (2025)

Improved identification of breakpoints in piecewise regression and its applications
von: Kim, Taehyeong, et al.
Veröffentlicht: (2024)

Mean-square and linear convergence of a stochastic proximal point algorithm in metric spaces of nonpositive curvature
von: Pischke, Nicholas
Veröffentlicht: (2025)

On the convergence rate of noisy Bayesian Optimization with Expected Improvement
von: Wang, Jingyi, et al.
Veröffentlicht: (2025)

Compressed Proximal Federated Learning for Non-Convex Composite Optimization on Heterogeneous Data
von: Qiu, Pu, et al.
Veröffentlicht: (2026)

High-dimensional scaling limits and fluctuations of online least-squares SGD with smooth covariance
von: Balasubramanian, Krishnakumar, et al.
Veröffentlicht: (2023)

Almost sure convergence rates of stochastic gradient methods under gradient domination
von: Weissmann, Simon, et al.
Veröffentlicht: (2024)

Learning to optimize with guarantees: a complete characterization of linearly convergent algorithms
von: Martin, Andrea, et al.
Veröffentlicht: (2025)

An optimal first-order method for smooth and strongly convex composite optimization and its stationary limit
von: Upadhyaya, Manu, et al.
Veröffentlicht: (2026)

FedSGM: A Unified Framework for Constraint Aware, Bidirectionally Compressed, Multi-Step Federated Optimization
von: Upadhyay, Antesh, et al.
Veröffentlicht: (2026)

Locally Adaptive Federated Learning
von: Mukherjee, Sohom, et al.
Veröffentlicht: (2023)

An abstract effective convergence theorem for stochastic processes, with applications to stochastic approximation
von: Neri, Morenikeji, et al.
Veröffentlicht: (2025)

Provably Convergent Federated Trilevel Learning
von: Jiao, Yang, et al.
Veröffentlicht: (2023)

Controlling Participation in Federated Learning with Feedback
von: Cummins, Michael, et al.
Veröffentlicht: (2024)

A note on convergence of Wasserstein policy optimization
von: Šiška, David, et al.
Veröffentlicht: (2026)

Greedy Low-Rank Gradient Compression for Distributed Learning with Convergence Guarantees
von: Chen, Chuyan, et al.
Veröffentlicht: (2025)

Towards safe Bayesian optimization with Wiener kernel regression
von: Molodchyk, Oleksii, et al.
Veröffentlicht: (2024)

Tradeoffs between convergence rate and noise amplification for momentum-based accelerated optimization algorithms
von: Mohammadi, Hesameddin, et al.
Veröffentlicht: (2022)

Private Networked Federated Learning for Nonsmooth Objectives
von: Gauthier, François, et al.
Veröffentlicht: (2023)

Distributionally Robust Federated Learning with Outlier Resilience
von: Wang, Zifan, et al.
Veröffentlicht: (2025)

Achieving Linear Speedup for Composite Federated Learning
von: Huang, Kun, et al.
Veröffentlicht: (2026)

Federated Learning Can Find Friends That Are Advantageous
von: Tupitsa, Nazarii, et al.
Veröffentlicht: (2024)

On Performance Guarantees for Federated Learning with Personalized Constraints
von: Ebrahimi, Mohammadjavad, et al.
Veröffentlicht: (2026)

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

Multiplayer Federated Learning: Reaching Equilibrium with Less Communication
von: Yoon, TaeHo, et al.
Veröffentlicht: (2025)