在分散的优化环境中,$ n $优化节点网络中的每个代理$ i $都具有私有函数$ f_i $,而节点与邻居进行通信以合作最大程度地减少聚合目标$ \ sum_ {i = 1}^n f_i $。在这种情况下,同步节点的更新会影响大量的沟通开销和计算成本,因此,最近的许多文献都集中在异步优化算法的分析和设计上,其中代理在任意时间激活和通信而无需不需要全球同步执行器。尽管如此,在大多数关于该主题的工作中,活动节点选择一个基于固定概率(例如,随机均匀)接触的邻居,这种选择忽略了在激活时忽略优化景观。取而代之的是,在这项工作中,我们介绍了一项优化感知的选择规则,该规则选择具有最高双重成本提高的邻居(与手头问题的基于共识的双重化有关的数量)。该方案与用于坐标更新的高斯 - 南威尔(GS)规则的坐标下降(CD)方法有关;但是,在我们的环境中,在每次迭代时只能访问一部分坐标(因为每个节点都只能与其直接邻居进行通信),因此有关GS方法的现有文献不适用。为了克服这一难度,我们开发了一个新的分析框架,用于平稳且强烈凸出$ f_i $,该框架涵盖了设定的CD算法类 - 该类直接适用于分散的场景,但不限于它们 - 我们 - 我们表明所提出的固定GS规则在网络中达到最高度的速度(在高度连接的图中为$ \ theta(n)$的速度)。随后在使用合成数据的数值实验中验证了我们的理论分析预测的加速。
translated by 谷歌翻译