Publication

Variance-Reduced Stochastic Learning by Networked Agents Under Random Reshuffling

Ali H. Sayed, Kun Yuan, Bicheng Ying
2019
Journal Articles

Résumé

This paper develops a distributed variance-reduced strategy for a collection of interacting agents that are connected by a graph topology. The resulting diffusion-AVRG (where AVRG stands for "amortized variance-reduced gradient") algorithm is shown to have linear convergence to the exact solution, and is more memory efficient than other alternative algorithms. When a batch implementation is employed, it is observed in simulations that diffusion-AVRG is more computationally efficient than exact diffusion or EXTRA, while maintaining almost the same communication efficiency.

Source officielle

https://infoscience.epfl.ch/entities/publication/0c05cca6-7082-4331-b7b5-15d6cc0071eb

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Variance-Reduced Stochastic Learning by Networked Agents Under Random Reshuffling

Chattez avec Graph Search

Stochastic pairwise preference convergence in Bayesian agents

Optimization Algorithms for Decentralized, Distributed and Collaborative Machine Learning

Towards practical reinforcement learning for tokamak magnetic control