标签
本文介绍了ZO-COSMO，一种用于分布式零阶优化的无索引方法，通过单跳混合避免稀疏索引传输来提高准确性。实验表明，在合成代理和Qwen LoRA工作者上，该方法优于基线方法。
本文介绍了基于层的联邦表示学习（SFRL），这是一个通过可学习的层限制映射和二次粘合正则化器来对齐异构局部表示的框架，无需假设共享的全局潜在空间。提出了一种具有收敛保证的分散式算法（Sheaf-FRL），并证明其在与数据异构和模型异构下的协作分类中优于基线方法。
本文提出了首个针对带压缩通信的分布式在线凸优化的FTRL型算法，与以往的OGD型方法相比，实现了优雅的理论保证和更优的遗憾界。
本文比较了上下文组合赌博机和策略梯度算法在大型电动汽车车队分散式智能充电中的应用，使用了包含动态定价和可再生能源数据的真实模拟环境。