Buchumschlag

Improved Convergence for Decentralized Stochastic Optimization with Biased Gradients

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Qing, Liao, Yiwei, Fan, Wenqi, You, Xingxing, Dian, Songyi
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Stochastic Momentum Tracking Push-Pull for Decentralized Optimization over Directed Graphs
von: Fan, Wenqi, et al.
Veröffentlicht: (2026)

High-Probability Convergence in Decentralized Stochastic Optimization with Gradient Tracking
von: Armacki, Aleksandar, et al.
Veröffentlicht: (2026)

Stochastic Push-Pull for Decentralized Nonconvex Optimization
von: You, Runze, et al.
Veröffentlicht: (2025)

Decentralized Min-Max Optimization with Gradient Tracking
von: You, Runze, et al.
Veröffentlicht: (2025)

On the Convergence of Decentralized Stochastic Gradient-Tracking with Finite-Time Consensus
von: Fainman, Aaron, et al.
Veröffentlicht: (2025)

Jointly Improving the Sample and Communication Complexities in Decentralized Stochastic Minimax Optimization
von: Zhang, Xuan, et al.
Veröffentlicht: (2023)

A Robust Compressed Push-Pull Method for Decentralized Nonconvex Optimization
von: Liao, Yiwei, et al.
Veröffentlicht: (2024)

Compressed Decentralized Momentum Stochastic Gradient Methods for Nonconvex Optimization
von: Liu, Wei, et al.
Veröffentlicht: (2025)

Convergence Analysis of Stochastic Accelerated Gradient Methods for Generalized Smooth Optimizations
von: Yu, Chenhao, et al.
Veröffentlicht: (2025)

CEDAS: A Compressed Decentralized Stochastic Gradient Method with Improved Convergence
von: Huang, Kun, et al.
Veröffentlicht: (2023)

Global Convergence and Error Propagation in Neural Gradient Flows: A Riemannian Optimization Framework
von: Zheng, Shixin, et al.
Veröffentlicht: (2026)

Convergence of the Iterates of the Stochastic Proximal Gradient Method
von: Madariaga, Javier I.
Veröffentlicht: (2026)

Optimal Gradient Tracking for Decentralized Optimization
von: Song, Zhuoqing, et al.
Veröffentlicht: (2021)

Convergence Analysis of Stochastic Gradient Descent with MCMC Estimators
von: Li, Tianyou, et al.
Veröffentlicht: (2023)

Multi-level Monte-Carlo Gradient Methods for Stochastic Optimization with Biased Oracles
von: Hu, Yifan, et al.
Veröffentlicht: (2024)

On Linear Convergence of Distributed Stochastic Bilevel Optimization over Undirected Networks via Gradient Aggregation
von: Tak, Ajay, et al.
Veröffentlicht: (2025)

A Variance-Reduced Stochastic Gradient Tracking Algorithm for Decentralized Optimization with Orthogonality Constraints
von: Wang, Lei, et al.
Veröffentlicht: (2022)

Stochastic Optimization Algorithms for Problems with Controllable Biased Oracles
von: Liu, Yin, et al.
Veröffentlicht: (2023)

Tighter Analysis for Decentralized Stochastic Gradient Method: Impact of Data Homogeneity
von: Li, Qiang, et al.
Veröffentlicht: (2024)

Enhancing Convergence of Decentralized Gradient Tracking under the KL Property
von: Chen, Xiaokai, et al.
Veröffentlicht: (2024)

Learning Provably Improves the Convergence of Gradient Descent
von: Song, Qingyu, et al.
Veröffentlicht: (2025)

Decentralized Relaxed Smooth Optimization with Gradient Descent Methods
von: Jiang, Zhanhong, et al.
Veröffentlicht: (2025)

Policy Gradient Methods for the Cost-Constrained LQR: Strong Duality and Global Convergence
von: Zhao, Feiran, et al.
Veröffentlicht: (2024)

On the Optimal Time Complexities in Decentralized Stochastic Asynchronous Optimization
von: Tyurin, Alexander, et al.
Veröffentlicht: (2024)

Improved Performance of Stochastic Gradients with Gaussian Smoothing
von: Starnes, Andrew, et al.
Veröffentlicht: (2023)

Asynchronous Decentralized Optimization with Constraints: Achievable Speeds of Convergence for Directed Graphs
von: Shahriari-Mehr, Firooz, et al.
Veröffentlicht: (2024)

Prox-DBRO-VR: A Unified Analysis on Byzantine-Resilient Decentralized Stochastic Composite Optimization with Variance Reduction and Non-Asymptotic Convergence Rates
von: Hu, Jinhui, et al.
Veröffentlicht: (2023)

Decentralized Optimization over Time-Varying Row-Stochastic Digraphs
von: Liang, Liyuan, et al.
Veröffentlicht: (2025)

On the Convergence and Complexity of the Stochastic Central Finite-Difference Based Gradient Estimation Methods
von: Bollapragada, Raghu, et al.
Veröffentlicht: (2025)

Convergence of Policy Gradient for Stochastic Linear-Quadratic Control Problem in Infinite Horizon
von: Zhang, Xinpei, et al.
Veröffentlicht: (2024)

Convergence of Decentralized Stochastic Subgradient-based Methods for Nonsmooth Nonconvex functions
von: Zhang, Siyuan, et al.
Veröffentlicht: (2024)

Dual Averaging Converges for Nonconvex Smooth Stochastic Optimization
von: Liu, Tuo, et al.
Veröffentlicht: (2025)

Universal Gradient Methods for Stochastic Convex Optimization
von: Rodomanov, Anton, et al.
Veröffentlicht: (2024)

Stochastic Constrained Decentralized Optimization for Machine Learning with Fewer Data Oracles: a Gradient Sliding Approach
von: Nguyen, Hoang Huy, et al.
Veröffentlicht: (2024)

Intrinsic Decentralized Stochastic Riemannian Optimization on Manifolds with Bounded Sectional Curvature
von: Nguyen, Duc Toan, et al.
Veröffentlicht: (2026)

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

Revisiting the Last-Iterate Convergence of Stochastic Gradient Methods
von: Liu, Zijian, et al.
Veröffentlicht: (2023)

Improved Last-Iterate Convergence of Shuffling Gradient Methods for Nonsmooth Convex Optimization
von: Liu, Zijian, et al.
Veröffentlicht: (2025)

High Probability Convergence of Distributed Clipped Stochastic Gradient Descent with Heavy-tailed Noise
von: Yang, Yuchen, et al.
Veröffentlicht: (2025)

The Anytime Convergence of Stochastic Gradient Descent with Momentum: From a Continuous-Time Perspective
von: Feng, Yasong, et al.
Veröffentlicht: (2023)