基于近似有限时共识的去中心化学习

去中心化优化算法的性能受优化误差和共识误差的影响，后者源于各agent本地模型之间的差异。经典方法采用恒定组合矩阵的平均和梯度跟踪机制，以驱动agent集合达到共识。近期研究表明，使用实现有限时共识(FTC)的组合矩阵序列可提高通信效率或迭代复杂度。值得注意的是，这些研究仅适用于高度结构化的网络，因而可精确且闭式求解有限时共识序列。在本工作中，我们研究了在去中心化学习算法中利用近似FTC矩阵的影响，并量化近似误差对收敛速率和稳态性能的影响。近似FTC矩阵可为一般图推导，不依赖特定图结构或先验知识，使其在广泛的去中心化学习场景中具有应用价值。