decentralized setting | BriefGPT

关键词decentralized setting

搜索结果 - 9

拜占庭可靠的八卦：来自双重方法的洞察
该论文研究了在分布式环境中存在恶意节点攻击时，通过设计鲁棒的去中心化优化方法，利用全局和局部的剪裁规则来解决广义共识问题，并且证明了这些剪裁规则可以作为设计高效攻击的基础。
PDF2 months ago
用于有约束多任务强化学习的自然策略梯度和演员评论家方法
多任务强化学习研究了多个任务同时有效解决的单一策略的约束形式，在中心化和去中心化设置下分别考虑了服务器和代理之间的全局约束问题，并提出了基于原始 - 对偶算法和基于采样的演员 - 评论家算法来解决这一问题，并研究了线性函数逼近的泛化扩展。
PDF2 months ago
MAPL: 模型无关的点对点学习
在去中心化环境中，有效协作是一个不太被探索的领域。为了解决这个问题，我们引入了模型不可知的点对点学习（简称 MAPL），通过邻近客户之间的点对点通信，同时学习异构个人化模型和协作图。我们的实验证明了 MAPL 的有效性以及与集中式无模型对应
PDF3 months ago
分散的非凸优化求和
本文研究分散设置中的非凸函数求和最小化优化问题，提出了 PMGT-SVRG 算法的新的理论分析，证明了其方法的线性收敛性。然而，PMGT-SVRG 算法的收敛速度与条件数呈线性依赖关系，这对于病态问题而言是不理想的。为了解决这个问题，我们提
PDF5 months ago
分布式个性化在线联邦学习
我们提出了一个新的去中心化个性化在线联邦学习设置，用于在在线环境中学习，在每个客户端上学习个性化模型，并在去中心化环境中学习。我们解决了两个技术挑战：如何通过优化本地模型的性能来聚合来自邻近客户端的共享模型参数，并通过学习的聚合权重选择最有
PDF8 months ago
改进的无投影在线连续子模最大化
本文提出了一种投影 - 无关算法 POBGA，通过在线提升梯度上升算法、不可行的投影技术和阻塞技术的新颖组合，以及分散设置的变体，有效地缩短了由先前算法 Mono-FW 降低的后悔下限，并将通信复杂度从 O（T）降低到 O（√T）。
PDFa year ago
马尔可夫潜在博弈中的独立和去中心化学习
该论文提出了一种多智能体强化学习动态模型，分析了其在无限期贴现马尔可夫潜在博弈中的收敛性质。论文在独立和分散的环境下进行，重点研究了多智能体可以通过简单的学习动态方法在最小信息环境下达到马尔可夫潜在博弈的稳定纳什均衡。
PDF2 years ago
强化学习优化：从单智能体到协作智能体
该文章回顾了多智能体强化学习算法在大型控制系统和通信网络方面的最新进展，主要关注不同协调协议下的分散设置，并从分布式优化的视角突出了强化学习算法从单一智能体到多智能体系统的演变，强调多智能体强化学习与分布式优化、信号处理之间的合作，并总结了
PDF5 years ago
诚实面对：零和博弈最优非后悔框架
本文提出了针对分散式场景中双方零和博弈问题的算法，提供了最佳的诚实遗憾和对抗遗憾率，解决了收敛到游戏价值的对数项的开放问题，并通过乐观的镜像下降算法与鲁棒的乐观镜像下降算法的信号传递方案相结合，实现了最佳结果。
PDF6 years ago