通信高效型分布式对偶坐标上升法
机器学习
2014-09-30 v2 最优化与控制
机器学习
摘要
通信仍然是大规模机器学习分布式优化算法性能的主要瓶颈。在本文中，我们提出了一种通信高效的框架 CoCoA，该框架在对偶原始设置中利用局部计算，大幅减少了必要的通信量。我们为这类算法提供了强有力的收敛速率分析，并在 Spark 实现中针对真实世界的分布式数据集进行了实验。实验发现，与最先进的 SGD 和 SDCA 算法的小批量版本相比，CoCoA 平均以 25 倍的速度收敛至相同的 0.001 精度解质量。
引用
@article{arxiv.1409.1458,
title = {Communication-Efficient Distributed Dual Coordinate Ascent},
author = {Martin Jaggi and Virginia Smith and Martin Takáč and Jonathan Terhorst and Sanjay Krishnan and Thomas Hofmann and Michael I. Jordan},
journal= {arXiv preprint arXiv:1409.1458},
year = {2014}
}
备注
NIPS 2014 version, including proofs. Published in Advances in Neural Information Processing Systems 27 (NIPS 2014)