محققان در مقاله جدیدی به سراغ حل یکی از چالشهای بزرگ در سیستمهای توزیعشده رفتهاند: «بهینهسازی محدب آنلاین» (D-OCO). تا به امروز، اکثر روشهای موجود برای کاهش حجم تبادل داده (Compressed Communication) از الگوریتمهای OGD استفاده میکردند.
اما حالا برای اولین بار، الگوریتمهای جدیدی بر پایه FTRL معرفی شدهاند که هم طراحی سادهتری دارند و هم در تنظیمات مختلف (مثل Bandit)، نرخ خطا (Regret) را به شکل چشمگیری کاهش میدهند. این یعنی مدلهای هوش مصنوعی در سیستمهای توزیعشده میتوانند با مصرف دیتای کمتر، سریعتر و دقیقتر یاد بگیرند. 🧠💻
منبع: arXiv Machine Learning
