分布式学习中的网络无关收敛速率
最优化与控制
2015-09-30 v1
摘要
我们针对时变有向图上的分布式非贝叶斯学习提出了一种新的信念更新规则，其中一组智能体试图共同识别最能描述观测数据序列的假设。我们证明了受 Push-Sum 算法启发的所提更新规则具有一致性，并给出了其收敛速率的显式刻画。我们的主要结论表明，经过一段暂态时间后，所有智能体将以网络无关的速率集中其信念。此前其他基于一致性的分布式学习算法均未实现网络无关速率。
引用
@article{arxiv.1509.08574,
title = {Network Independent Rates in Distributed Learning},
author = {Angelia Nedić and Alex Olshevsky and César A. Uribe},
journal= {arXiv preprint arXiv:1509.08574},
year = {2015}
}
备注
Submitted to ACC2016