介绍了一种分布式机器学习的新技术 - 联邦优化。该技术针对数据分布不均、节点数量极大的情况，通过让本地的移动设备参与计算，以更新全局模型。该研究提出了一种适用于该技术的新算法，并展示了其在实验中的优异表现。

Nov, 2015

本文提出了一种新的分布式训练线性分类器的方法，旨在减少通信成本，在迭代期间每个节点最小化局部形成的近似目标函数，然后合并得到下降方向移动，该方法可以看作是迭代参数混合法。

Oct, 2013

研究了分布式方法在凸学习与优化中所需要的通信效率的根本限制，在不同信息假设和函数类型条件下找到了现有算法已达到最坏复杂度的情况，同时也指出了仍有改进的余地，说明了当本地目标函数没有相似之处时（由于统计数据相似或其他原因），即使设备具有无限计算能力，也可能需要多次通信往返。

Jun, 2015

本文旨在将局部训练技术与自适应方法相结合，以开发高效的分布式学习方法，并通过训练神经网络实验验证了方法的性能。

Jun, 2024

本研究提出了一种称为联邦优化的新的分布式机器学习设置，其中优化定义的数据分布在大量节点之间，通过少量通信轮次训练高品质集中模型，本文提出的新算法对于稀疏凸问题的实验结果表现可圈可点，并为未来的联邦优化研究提供了借鉴。

Oct, 2016

该论文提出了一种基于图分割的分布式计算算法，其可以有效降低数据分布式处理过程中的通信成本，实验结果表明该算法能够在机器学习系统中实现 1.6 倍的加速，并且消除 90％的网络通信。

May, 2015

本文提出了基于多项式权重更新的两方协议，并且展示了一般的算法设计方法来解决在分布式数据中的高效学习问题。

Apr, 2012

本文提出了一种网络感知分布式学习优化方法，使设备在成本和效益之间进行数据传输和处理决策，并通过测试数据集证明算法能够显著提高网络资源利用效率，同时不损害模型学习准确性。

Apr, 2020

提出了一个分布式优化框架，允许在每个（单个）机器上使用任意的求解器，同时保持出色的性能，并对此进行了强有力的原始 - 对偶收敛率保证。

Dec, 2015

分布式优化和学习中的隐私保护方法进行了综述，介绍了密码学、差分隐私等技术，并提出利用差分隐私算法来确保隐私和优化准确性，在多个机器学习问题中得到实际应用验证。同时探讨了该研究领域的挑战和未来方向。

Feb, 2024