DJAM：用于学习个性化模型的分布式 Jacobi 异步方法

处理由智能体网络收集的数据通常归结为求解一个优化问题。这些问题的分布式特性要求求解方法本身也是分布式的。尽管大多数协作学习问题要求智能体达成一个共同（或共识）模型，但在某些情况下，共识解可能并非最优。例如，智能体可能希望在认同其邻居与最小化个人损失函数之间达成折中。我们提出了 DJAM，一种用于学习个性化模型的类 Jacobi 分布式算法。该方法易于实现：无需调节任何超参数，是异步的，且其更新仅需单邻居交互。我们证明，在个人损失函数强凸且具有 Lipschitz 梯度的条件下，DJAM 以概率 1 收敛于解。随后我们给出证据表明 DJAM 与 state-of-the-art 方法表现相当：我们的方法在与经过精心调参的 ADMM 大致相同次数的单邻居交互后，能够达到与之相似误差的解。