כתבה
arXiv cs.LG ·
Dec-BFTRL: ניתוח רגרט עם רישום ריבועי לאופטימיזציה על-ליניארית בסביבה פוסט-ספציפית
Dec-BFTRL: Squre-Root Regret for Decentralized Online Upper-Linearizable Optimization under Separation Access with Application to Continuous Submodular Maximization
במאמר זה, נחקרה אופטימיזציה על-ליניארית בסביבה פוסט-ספציפית, עם התייחסות להגברת תת-מודולרית.
תקציר מקורי באנגליתarXiv:2608.30271v2 Announce Type: replace-cross Abstract: We study decentralized online optimization of upper-linearizable payoffs over an action set under efficient separation access, with applications to online continuous diminishing-return (DR) submodular maximization. We propose Decentralized Barrier Follow-the-Regularized-Leader (Dec-BFTRL), and evaluate each agent's played action against the average of all local objectives. Each agent maps an internal iterate to a feasible action through an approximate gauge projection, communicates only a cumulative surrogate-gradient dual state, and invokes the local HybridNewton procedure to approximately minimize its post-communication BFTRL potential. For every agent, we achieve expected network-aggregate regret of $\widetilde O(\sqrt{T})$. Over
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית