跳到正文
热点事件持续更新

Molly Wang 发表联邦优化偏差研究

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

2026年11月19日,Molly Wang 在 arXiv 平台发布论文《更快得出错误答案:联邦优化中本地更新的代价》。该研究聚焦联邦学习场景,指出本地计算虽能改善更新条件数,但会引入偏差,导致算法固定点偏离全局最优。 针对强凸二次目标,研究建立了精确的最坏情况偏差公式,证明小步长本地梯度下降与近端更新可达此界,并将非交换 Hessian 矩阵问题简化为标量曲率分布。分析进一步扩展至非二次的光滑强凸目标,量化了非精确本地求解引入的误差,揭示了联邦优化中效率与准确性的权衡。

AI 根据报道生成 · 12 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · ML
    更快得出错误答案:联邦优化中本地更新的代价

    联邦优化中的本地计算虽能改善更新条件数,却会引入偏差导致固定点偏离全局最优。研究表征了给定条件数界下可实现的最坏情况最小偏差。 针对强凸二次目标,建立了精确的最坏情况偏差公式,证明小步长本地梯度下降与近端更新可达此界,并将非交换 Hessian 矩阵问题简化为标量曲率分布。 分析进一步扩展至非二次的光滑强凸目标,并量化了非精确本地求解引入的误差。

本事件热度走势

可比范围当前
7
可比范围峰值
911月19日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。