Distributed Stochastic Nonsmooth Nonconvex Optimization
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F22%3A00360156" target="_blank" >RIV/68407700:21230/22:00360156 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1016/j.orl.2022.09.001" target="_blank" >https://doi.org/10.1016/j.orl.2022.09.001</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.orl.2022.09.001" target="_blank" >10.1016/j.orl.2022.09.001</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Distributed Stochastic Nonsmooth Nonconvex Optimization
Popis výsledku v původním jazyce
Distributed consensus optimization has received considerable attention in recent years and several distributed consensus-based algorithms have been proposed for (nonsmooth) convex and (smooth) nonconvex objective functions. However, the behavior of these distributed algorithms on nonconvex, nonsmooth and stochastic objective functions is not understood. Such class of functions and distributed setting are motivated by several applications, including problems in machine learning and signal processing. This paper presents the first convergence analysis of the decentralized stochastic subgradient method for such classes of problems, over networks modeled as undirected, fixed, graphs.
Název v anglickém jazyce
Distributed Stochastic Nonsmooth Nonconvex Optimization
Popis výsledku anglicky
Distributed consensus optimization has received considerable attention in recent years and several distributed consensus-based algorithms have been proposed for (nonsmooth) convex and (smooth) nonconvex objective functions. However, the behavior of these distributed algorithms on nonconvex, nonsmooth and stochastic objective functions is not understood. Such class of functions and distributed setting are motivated by several applications, including problems in machine learning and signal processing. This paper presents the first convergence analysis of the decentralized stochastic subgradient method for such classes of problems, over networks modeled as undirected, fixed, graphs.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/EF16_019%2F0000765" target="_blank" >EF16_019/0000765: Výzkumné centrum informatiky</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Operations Research Letters
ISSN
0167-6377
e-ISSN
1872-7468
Svazek periodika
50
Číslo periodika v rámci svazku
6
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
5
Strana od-do
627-631
Kód UT WoS článku
000876521300001
EID výsledku v databázi Scopus
2-s2.0-85138836354