彭志敏;徐阳阳;严,明;尹沃涛 无界时滞异步并行迭代的收敛性。 (英语) Zbl 1424.65086号 《运营杂志》。Res.Soc.中国 7,第1号,第5-42页(2019年). 摘要:近年来,由于涉及大规模数据和大量决策变量的问题,异步并行(异步并行)迭代算法激增。由于异步,迭代是用过时的信息和过时信息的年龄计算的,我们称之为过时信息的时间延迟,是自创建以来更新的次数。几乎所有最近的工作都证明了在有限最大延迟假设下的收敛性,并相应地设置了步长参数。然而,最大延迟实际上是未知的。本文从概率的角度对异步并行方法进行了收敛性分析,该方法允许较大的无界延迟。根据时滞统计,给出了保证收敛的显式步长公式。使用(p+1)相同的处理器,我们经验性地测量出延迟与参数(p)的泊松分布密切相关,与我们的理论模型相匹配,因此可以相应地设置步长。对凸优化问题和非凸优化问题的仿真表明了我们分析的有效性,同时也表明现有的最大延迟诱导步长过于保守,往往会减慢算法的收敛速度。 引用于4文件 MSC公司: 65千5 数值数学规划方法 2005年5月 并行数值计算 90C25型 凸面编程 90C26型 非凸规划,全局优化 关键词:异步无界延迟;非凸;凸面的 软件:HOGWILD公司;A锁定 PDF格式BibTeX公司 XML格式引用 \textit{Z.Peng}等人,J.Oper。Res.Soc.China 7,No.1,5-42(2019;兹bl 1424.65086) 全文: 内政部 arXiv公司 参考文献: [1] 白宫:大数据:抓住机遇维护价值(2014) [2] Cortes,C.,Vapnik,V.:支持向量网络。机器。学习。20(3), 273-297 (1995) ·Zbl 0831.68098号 [3] Tibshirani,R.:通过套索进行回归收缩和选择。J.R.统计社会服务。B(Methodol.)58,267-288(1996)·Zbl 0850.62538号 [4] Zhou,H.,Li,L.,Zhu,H.:张量回归及其在神经影像数据分析中的应用。《美国法律总汇汇编》第108(502)、540-552页(2013)·Zbl 06195959号 [5] Zou,H.,Hastie,T.,Tibshirani,R.:稀疏主成分分析。J.计算。图表。Stat.15(2),265-286(2006) [6] Cichocki,A.,Zdunk,R.,Phan,A.H.,Amari,Si:非负矩阵和张量因子分解:探索性多路数据分析和盲源分离的应用。威利,伦敦(2009) [7] Beck,A.,Teboulle,M.:线性反问题的快速迭代收缩阈值算法。SIAM J.成像科学。2(1), 183-202 (2009) ·Zbl 1175.94009号 [8] Nemirovski,A.,Juditsky,A.,Lan,G.,Shapiro,A.:随机规划的稳健随机近似方法。SIAM J.Optim公司。19(4), 1574-1609 (2009) ·Zbl 1189.90109号 [9] Nesterov,Y.:坐标下降法在大规模优化问题上的效率。SIAM J.Optim公司。22(2), 341-362 (2012) ·Zbl 1257.90073号 [10] Dang,C.D.,Lan,G.:非光滑随机优化的随机块镜像下降方法。SIAM J.Optim公司。25(2), 856-881 (2015) ·Zbl 1353.90095号 [11] Xu,Y.,Yin,W.:凸优化和非凸优化的块随机梯度迭代。SIAM J.Optim公司。25(3), 1686-1716 (2015) ·Zbl 1342.93125号 [12] Liu,J.,Wright,S.,Re,C.,Bittorf,V.,Sridhar,S.:异步并行随机坐标下降算法。摘自:《第31届国际机器学习会议论文集》(ICML-14),第469-477页(2014)·Zbl 1337.68286号 [13] Peng,Z.,Xu,Y.,Yan,M.,Yin,W.:Arock:异步平行坐标更新的算法框架。SIAM J.科学。计算。38(5),A2851-A2879(2016)·Zbl 1350.49041号 [14] Strikwerda,J.C.:异步迭代的概率分析。线性代数应用。349(13), 125-154 (2002) ·Zbl 1007.65017号 [15] Hannah,R.,Yin,W.:异步并行定点算法中的无界延迟。arXiv预印arXiv:1609.04746(2016)·Zbl 1415.65138号 [16] Liu,J.,Wright,S.J.:异步随机坐标下降:并行性和收敛性。SIAM J.Optim公司。25(1), 351-376 (2015) ·Zbl 1358.90098号 [17] Cannelli,L.,Facchinei,F.,Kungurtsev,V.,Scutari,G.:非凸大数据优化的异步并行算法:模型和收敛。arXiv预印本arXiv:1607.04818(2016)·Zbl 1451.90151号 [18] Davis,D.:非光滑非凸问题的异步PALM算法。arXiv预印本arXiv:1604.00526(2016) [19] Mokhtai,A.,Koppel,A.,Ribeiro,A.:用于大规模学习的一类并行双随机算法。arXiv预印arXiv:1606.04991(2016) [20] Recht,B.,Re,C.,Wright,S.,Niu,F.:霍格沃尔德:并行化随机梯度下降的无锁方法。《神经信息处理系统进展》,第693-701页(2011年) [21] 希尔德雷思:二次规划程序。海军后勤研究。问题4(1),79-85(1957) [22] Grippo,L.,Sciandone,M.:凸约束下块非线性Gauss-Seidel方法的收敛性。操作。Res.Lett公司。26(3), 127-136 (2000) ·Zbl 0955.90128号 [23] 罗志强,曾平:关于凸可微极小化的坐标下降法的收敛性。J.优化。理论应用。72(1), 7-35 (1992) ·Zbl 0795.90069号 [24] Tseng,P.:不可微极小化的块坐标下降法的收敛性。J.优化。理论应用。109(3), 475-494 (2001) ·Zbl 1006.65062号 [25] Hong,M.、Wang,X.、Razaviyayn,M.,Luo,Z.Q.:块坐标下降方法的迭代复杂性分析。数学。程序。163(1-2), 85-114 (2017) ·Zbl 1367.49010号 [26] Tseng,P.,Yun,S.:非光滑可分离最小化的坐标梯度下降法。数学。程序。117(1-2), 387-423 (2009) ·兹比尔1166.90016 [27] Lu,Z.,Xiao,L.:关于随机区组坐标下降法的复杂性分析。数学。程序。152(1-2), 615-642 (2015) ·Zbl 1321.65100号 [28] Richtárik,P.,Takáć,M.:最小化复合函数的随机块坐标下降方法的迭代复杂性。数学。程序。144(1-2), 1-38 (2014) ·Zbl 1301.65051号 [29] 罗森菲尔德,J.L.:并行处理器编程案例研究。Commun公司。ACM 12(12),645-655(1969)·Zbl 0184.20701号 [30] Chazan,D.,Miranker,W.:混沌放松。线性代数应用。2(2), 199-222 (1969) ·Zbl 0225.65043号 [31] Bertsekas,D.P.:不动点的分布式异步计算。数学。程序。27(1), 107-120 (1983) ·Zbl 0521.90089号 [32] Tseng,P.、Bertsekas,D.P.、Tsitsiklis,J.N.:网络流和其他问题的部分异步并行算法。SIAM J.控制优化。28(3), 678-710 (1990) ·Zbl 0725.65054号 [33] Frommer,A.,Szyld,D.B.:关于异步迭代。J.计算。申请。数学。123(1),201-216(2000)·Zbl 0967.65066号 [34] 研究生课程:研究生课程。柏林施普林格出版社(2006)·兹比尔1267.60001 [35] Lai,M.J.,Yin,W.:增强型ℓ1和具有全局线性收敛算法的核范数模型。SIAM J.成像科学。6(2), 1059-1091 (2013) ·Zbl 1279.68329号 [36] Rockafellar,R.T.,Wets,R.J.B.:变分分析,第317卷。柏林施普林格出版社(2009)·Zbl 0888.49001号 [37] Paatero,P.,Tapper,U.:正矩阵因式分解:最佳利用数据值误差估计的非负因子模型。环境计量学5(2),111-126(1994) [38] Xu,Y.,Yin,W.:基于块坐标更新的非凸优化的全局收敛算法。科学杂志。计算。72(2), 700-734 (2017) ·Zbl 1378.65126号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。