PARS-Push: Personalized, Asynchronous and Robust Decentralized Optimization

We study the multi-step Model-Agnostic Meta-Learning (MAML) framework where a group of <inline-formula> <tex-math notation="LaTeX">n </tex-math></inline-formula> agents seeks to find a common point that enables "few-shot" learning (personalization) via loc...

Celý popis

Podrobná bibliografie

Vydáno v:	IEEE control systems letters Ročník 7; s. 361 - 366
Hlavní autoři:	Toghani, Mohammad Taha, Lee, Soomin, Uribe, Cesar A.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	IEEE 2023
Témata:	Asynchronous communication asynchronous communications Convergence Costs Decentralized optimization Delays few-shot learning model-agnostic meta-learning Optimization personalization Stochastic processes Task analysis
ISSN:	2475-1456, 2475-1456
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!