带压缩八卦的分散式无参数在线学习

我们研究当智能体在图结构上通信且消息可能被压缩时的分散式在线凸优化。经典的分散式在线方法通常需要依赖于视界、比较器尺度或其他问题参数的学习率选择，而压缩通信引入了必须控制的额外不一致性。我们提出DECO-EF（带误差反馈的分散式投注），一种分散式无参数在线学习算法，它结合了投注预测与基于压缩差分的八卦。每个智能体维护一个干净的累积状态和一个压缩跟踪器，并且在八卦步骤中仅通信压缩的状态差分。该方法在在线学习意义上是无参数的：它不调整视界、比较器范数或学习率。我们证明了在压缩通信下DECO-EF的期望比较器自适应网络遗憾界。据我们所知，这给出了在压缩通信下分散式无参数在线学习的第一个期望次线性网络遗憾保证。