关于通过梯度聚合在无向网络上分布式随机双层优化的线性收敛

许多大规模约束优化问题可形式化为无向网络上的分布式双层优化任务，其中代理人通过本地通信和计算合作，以遵守约束来最小化全局目标函数。本文提出一种分布式随机梯度聚合方案，并在全球强凸性（弱假设）下建立其线性收敛性，这放宽了常见要求目标函数和约束函数在局部具有凸性的假设。具体而言，我们证明该算法在全局目标函数（而非每个局部目标函数）满足强凸性时以线性收敛率收敛。我们的结果显著扩展了分布式双层优化现有理论保证。此外，我们通过在分布式传感器网络问题和带有秩不足数据的分布式线性回归上的数值实验Demonstrate了该方法的有效性。