Accelerated Methods for Distributed Optimization
Méthodes Accélérées pour l'Optimisation Distribuée
Résumé
In order to make meaningful predictions, modern machine learning models require
huge amounts of data, and are generally trained in a distributed way, i.e., using many
computing units. Indeed, the data is often too large or to sensitive to be gathered and
stored at one place, and stacking computing units increases the computing power.
Yet, machine learning models are usually trained using stochastic optimization
methods, that perform a sequence of steps which are noisy but relatively easy to
compute. Besides, many algorithms reuse past information to speed up convergence,
which requires a high level of synchrony between agents.
This thesis presents a set of results that extend the recent advances from
stochastic and accelerated convex optimization to the decentralized setting, in which
there is no central coordination but only pairwise communications.
Les modèles d'apprentissage modernes ont généralement besoin de volumes de
données conséquents afin de réaliser de bonnes prédictions, et sont donc généralement
entraînés de manière distribuée, c'est-à-dire en utilisant de nombreuses unités de
calculs. Cette architecture distribuée peut venir de la taille des données, leur sensibilité,
ou simplement pour entraîner les modèles plus rapidement.
Cependant, les modèles d'apprentissage sont souvent entraînés en utilisant des
méthodes d'optimisation stochastiques intrinsèquement séquentielles, qui utilisent de
nombreux gradients bruités mais faciles à calculer. De plus, de nombreux algorithmes
réutilisent de l'information passée afin d'accélérer la convergence, ce qui nécessite un
haut niveau de synchronie et de partage d'information.
Cette thèse présente un ensemble de résultats permettant d'étendre les avancées
récentes en optimisation stochastique et accélérée dans le cadre décentralisé, c'est à
dire sans coordination centrale mais via un ensemble de communications pair à pair.
Origine | Fichiers produits par l'(les) auteur(s) |
---|