Speaker
Description
В последние годы одной из ключевых задач математической оптимизации стало федеративное обучение — сценарий, в котором данные и/или компоненты оптимизируемой функции распределены между множеством клиентских устройств и центральным сервером, обладающим наибольшими вычислительными ресурсами и часто хранящим основную часть данных. В таких условиях важную роль играет не столько количество итераций алгоритма, сколько число коммуникационных раундов между клиентами и сервером. При этом, используя информацию о гомогенности распределения данных, можно адаптивно регулировать частоту обменов, уменьшая количество ресурсоёмких коммуникаций. В данной работе рассматривается задача с коммуникационно затратным композитом; для её решения предлагается стохастический проксимальный метод со смещённым аппроксиматором, направленный на достижение оптимальных оценок сходимости при сохранении разделения сложностей. Также представлены результаты численных экспериментов, подтверждающие эффективность предложенного подхода.
