Buchumschlag

Order-Optimal Regret in Distributed Kernel Bandits using Uniform Sampling with Shared Randomness

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pavlovic, Nikola, Salgia, Sudeep, Zhao, Qing
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Distributed, Parallel, and Cluster Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Truncated Non-Uniform Quantization for Distributed SGD
von: Yan, Guangfeng, et al.
Veröffentlicht: (2024)

Decentralized Kernel Ridge Regression Based on Data-Dependent Random Feature
von: Yang, Ruikai, et al.
Veröffentlicht: (2024)

Game-Theoretic Deep Reinforcement Learning to Minimize Carbon Emissions and Energy Costs for AI Inference Workloads in Geo-Distributed Data Centers
von: Hogade, Ninad, et al.
Veröffentlicht: (2024)

Fair Distributed Cooperative Bandit Learning on Networks for Intelligent Internet of Things Systems (Technical Report)
von: Chen, Ziqun, et al.
Veröffentlicht: (2024)

Cascading Bandits With Feedback
von: Prakash, R Sri, et al.
Veröffentlicht: (2025)

Differential Privacy in Kernelized Contextual Bandits via Random Projections
von: Pavlovic, Nikola, et al.
Veröffentlicht: (2025)

Distributed Graph Embedding with Information-Oriented Random Walks
von: Fang, Peng, et al.
Veröffentlicht: (2023)

FedRandom: Sampling Consistent and Accurate Contribution Values in Federated Learning
von: Geimer, Arno, et al.
Veröffentlicht: (2026)

SparDL: Distributed Deep Learning Training with Efficient Sparse Communication
von: Zhao, Minjun, et al.
Veröffentlicht: (2023)

Learning to Schedule Online Tasks with Bandit Feedback
von: Xu, Yongxin, et al.
Veröffentlicht: (2024)

Optimizing the Optimal Weighted Average: Efficient Distributed Sparse Classification
von: Lu, Fred, et al.
Veröffentlicht: (2024)

DHO$_2$: Accelerating Distributed Hybrid Order Optimization via Model Parallelism and ADMM
von: Gu, Shunxian, et al.
Veröffentlicht: (2025)

One-Shot Averaging for Distributed TD($λ$) Under Markov Sampling
von: Tian, Haoxing, et al.
Veröffentlicht: (2024)

Preserving Near-Optimal Gradient Sparsification Cost for Scalable Distributed Deep Learning
von: Yoon, Daegun, et al.
Veröffentlicht: (2024)

First-Order Softmax Weighted Switching Gradient Method for Distributed Stochastic Minimax Optimization with Stochastic Constraints
von: Luo, Zhankun, et al.
Veröffentlicht: (2026)

Differentially Private Kernelized Contextual Bandits
von: Pavlovic, Nikola, et al.
Veröffentlicht: (2025)

Collaborative and Distributed Bayesian Optimization via Consensus: Showcasing the Power of Collaboration for Optimal Design
von: Yue, Xubo, et al.
Veröffentlicht: (2023)

Near-Optimal Privacy-Preserving Learning for Max-Min Fair Multi-Agent Bandits
von: Leshem, Amir
Veröffentlicht: (2023)

Communication and Energy Efficient Federated Learning using Zero-Order Optimization Technique
von: Mhanna, Elissa, et al.
Veröffentlicht: (2024)

Enabling Disaggregated Multi-Stage MLLM Inference via GPU-Internal Scheduling and Resource Sharing
von: Zhao, Lingxiao, et al.
Veröffentlicht: (2025)

PrefillShare: A Shared Prefill Module for KV Reuse in Multi-LLM Disaggregated Serving
von: Woo, Sunghyeon, et al.
Veröffentlicht: (2026)

Distributed Deep Learning using Stochastic Gradient Staleness
von: Pham, Viet Hoang, et al.
Veröffentlicht: (2025)

Near-Optimal Resilient Aggregation Rules for Distributed Learning Using 1-Center and 1-Mean Clustering with Outliers
von: Yi, Yuhao, et al.
Veröffentlicht: (2023)

KernelFoundry: Hardware-aware evolutionary GPU kernel optimization
von: Wiedemann, Nina, et al.
Veröffentlicht: (2026)

FSA: An Alternative Efficient Implementation of Native Sparse Attention Kernel
von: Yan, Ran, et al.
Veröffentlicht: (2025)

Tessera: Unlocking Heterogeneous GPUs through Kernel-Granularity Disaggregation
von: Hu, Tiancheng, et al.
Veröffentlicht: (2026)

Communication-Avoiding Linear Algebraic Kernel K-Means on GPUs
von: Bellavita, Julian, et al.
Veröffentlicht: (2026)

Sustainable Carbon-Aware and Water-Efficient LLM Scheduling in Geo-Distributed Cloud Datacenters
von: Moore, Hayden, et al.
Veröffentlicht: (2025)

ParallelKittens: Systematic and Practical Simplification of Multi-GPU AI Kernels
von: Sul, Stuart H., et al.
Veröffentlicht: (2025)

Shared Randomness Helps with Local Distributed Problems
von: Balliu, Alkida, et al.
Veröffentlicht: (2024)

Optimal Routing for Federated Learning over Dynamic Satellite Networks: Tractable or Not?
von: Zhao, Yi, et al.
Veröffentlicht: (2026)

FLUX: Fast Software-based Communication Overlap On GPUs Through Kernel Fusion
von: Chang, Li-Wen, et al.
Veröffentlicht: (2024)

TensorSocket: Shared Data Loading for Deep Learning Training
von: Robroek, Ties, et al.
Veröffentlicht: (2024)

FIKIT: Priority-Based Real-time GPU Multi-tasking Scheduling with Kernel Identification
von: Wu, Wenqing
Veröffentlicht: (2023)

A Biased Estimator for MinMax Sampling and Distributed Aggregation
von: Wolfrath, Joel, et al.
Veröffentlicht: (2024)

Distributed Matrix-Based Sampling for Graph Neural Network Training
von: Tripathy, Alok, et al.
Veröffentlicht: (2023)

BLOSSOM: Block-wise Federated Learning Over Shared and Sparse Observed Modalities
von: R, Pranav M, et al.
Veröffentlicht: (2026)

Personalized Federated Heat-Kernel Enhanced Multi-View Clustering via Advanced Tensor Decomposition Techniques
von: Sinaga, Kristina P.
Veröffentlicht: (2025)

FedORGP: Guiding Heterogeneous Federated Learning with Orthogonality Regularization on Global Prototypes
von: Guo, Fucheng, et al.
Veröffentlicht: (2025)

QSync: Quantization-Minimized Synchronous Distributed Training Across Hybrid Devices
von: Zhao, Juntao, et al.
Veröffentlicht: (2024)