Speaker
Description
В настоящее время важной задачей математической оптимизации стало федеративное обучение, когда данные и/или части оптимизируемой функции распределены между множеством клиентских устройств и сервером, содержащим большую часть данных и обладающим наибольшими вычислительными мощностями. В такой ситуации ключевым становится не количество итераций алгоритма, а количество коммуникаций между клиентом и сервером, причем, используя знания о гомогенности данных на устройствах и сервере, можно варьировать количество коммуникаций по тем или иным данным, сокращая количество “тяжелых” коммуникаций. В нашей работе к такой задаче с коммуникационно тяжелым композитом строится стохастический проксимальный метод со смещенным аппроксиматором, в попытке добиться как наилучших оценок сходимости, так и разделения сложностей, а также проводятся численные эксперименты.
