- GEAR: 一种面向大型强化学习模型的基于 GPU 的体验回放系统
该研究介绍了一个名为 GEAR 的分布式、以 GPU 为中心的经验回放系统,旨在使用大型序列模型(如 transformers)进行可扩展的强化学习。GEAR 通过在 GPU 服务器上管理轨迹数据的内存资源来优化内存效率,并通过促进分散的 - 使用 Co-ML 协作式机器学习模型构建家庭
本文介绍了一种基于平板电脑的应用程序 Co-ML,它是一种用于促进学习者之间协作构建机器学习模型的工具。通过这种分布式协作过程,学习者可以共同解决之前工作中忽视的数据设计问题,如数据多样性、类别不平衡和数据质量等。
- AAAIFedGrad: 分散式機器學習中的優化
本文介绍联邦学习作为一种分布式机器学习方法,提出自适应联邦优化算法和其他一些想法,并通过实验展示了在性能上的改进。
- ECCVMegBA:基于 GPU 的大规模束调整分布式库
本文介绍了 MegBA—— 一种基于 GPU 的分布式大规模相机捆绑优化库,相较于目前现有的 Ceres、RootBA 和 DeepLM 等大规模相机捆绑优化库,它在一些大规模测试中表现出了更高的性能,可以提供巨大的聚合内存,可以自动划分大 - 面向空中计算网络的协作干扰管理
本文研究多小区 AirComp 网络的功率控制策略,包括中心化多小区功率控制和分布式功率控制。该文提出了一种基于集成电路的方法来解决无中心控制的情况并证明了该算法的有效性,模拟结果表明,采用所提出的算法的协作功率控制可以大幅减少 AirCo - 解决大规模数据模型中的公平 k 中心问题
本文介绍了一项新的流式和分布式算法,用于公平的数据汇总,旨在解决算法公平性方面的研究问题。
- 分布式可证明正确的位姿图优化
本文提出了第一个确凿无疑的分布式姿态图优化算法,该方法基于稀疏半定松弛,使用低秩 Riemannian Staircase 框架进行分布式优化,具有全局最优解的保证,并且所有组成部分均为本地协作算法。
- ICML关于触手型人工智能及其架构的介绍
介绍了一种新型分布式多智能体人工智能 ——“触手式人工智能”,它具有高度表现力的演算能力和计划能力,并利用跨越一个或多个给定网络的子代理。
- NIPS通信最优的分布式聚类
本文研究了分布式模式下的图形和几何聚类问题,并给出了两个模型中几乎是最优的协议,突出了广播通道在聚类问题中的惊人能力,我们的算法已在实际数据集上得到了验证。
- 稀疏性下的高效分布式学习
提出了一种新颖、高效的分布式稀疏学习方法,可在高维度中随机分割观测数据,并在通信效率方面展现极佳的表现。
- 并行和分布式块坐标 Frank-Wolfe 算法
本文介绍并行和分布式 Frank-wolfe 算法,其中涉及异步计算和块可分约束,并给出了实验结果。
- 非强凸损失的快速分布式坐标下降
本文提出了一种高效的分布式随机坐标下降算法,用于最小化正则化的非强凸损失函数,并经过在英国最大的超级计算机 Archer 上的实现,表明该算法可以有效解决一个具有 500 亿个变量的 LASSO 优化问题,具有 O (1/k^2) 的收敛速 - 基于数据库辅助的分布式频谱共享
该文章研究了基于数据库的分布式白空间接入点网络设计,并提出了一种可以实现系统最优点和纳什均衡的分布式 AP 通道选择算法和分布式 AP 关联算法。