误差反馈EF21的六大算法扩展，优化分布式梯度压缩

EF21 with Bells & Whistles: Six Algorithmic Extensions of Modern Error Feedback

Ilyas Fatkhullin, Igor Sokolov, Eduard Gorbunov, Zhize Li, Peter Richtárik; 26(189):1−50, 2025.

摘要

误差反馈（EF）由Seide于2014年作为一种启发式方法首次提出，它是一种非常流行的机制，旨在确保基于梯度、并采用压缩通信策略（通过应用压缩算子实现）的分布式优化方法的收敛性。然而，现有的EF理论依赖于非常强的假设（例如梯度有界），并且提供了悲观的收敛速率（例如，在全梯度被压缩、光滑非凸情况下，EF的最佳已知收敛速率为O(1/T^{2/3})，而在相同情况下梯度下降法的收敛速率为O(1/T)）。最近，Richtárik等人（2021）提出了一种新的误差反馈机制EF21，它基于压缩算子构建的马尔可夫压缩器。EF21消除了上述EF的理论缺陷，同时在实际中表现更优。本文提出了EF21的六项实用性扩展，所有这些扩展都得到了强大收敛理论的支持：部分参与、随机逼近、方差缩减、近端设置、动量和双向压缩。据我们所知，其中多项技术此前尚未与EF结合进行分析，而在某些已有分析的方面（例如双向压缩），我们的理论收敛保证显著改进了现有结果。

[abs][pdf][bib]
      
[code]
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码