Quasi-Newton updating for large-scale distributed learning
大规模分布式学习的拟牛顿更新AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及通用分布式学习与统计计算，未指定所列经济计量应用或模型方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
大规模分布式学习的拟牛顿更新
- 研究问题
- 在大规模分布式统计学习中，如何降低计算和节点通信成本，同时使少量迭代后的估计量具有统计效率？
- 方法与思路
- 作者提出分布式拟牛顿框架，避免 Hessian 矩阵求逆与传输，并研究少量迭代后估计量的统计性质。
- 材料陈述的贡献
- 摘要称该框架降低计算和通信复杂度，并在所称温和条件下证明少量迭代可达到统计效率，另进行数值分析。
- 阅读关注点
- 应核对数据分布与初始化条件、迭代次数和节点规模的关系、统计效率的基准，以及实际通信复杂度计算。
- 阅读边界
- 仅据 Crossref 摘要；温和条件、效率定义和数值结果未展开，不能据此认定对任意数据划分或规模均有效。
原文摘要
Abstract Distributed computing is critically important for modern statistical analysis. Herein, we develop a distributed quasi-Newton (DQN) framework with excellent statistical, computation, and communication efficiency. In the DQN method, no Hessian matrix inversion or communication is needed. This considerably reduces the computation and communication complexity of the proposed method. Notably, related existing methods only analyse numerical convergence and require a diverging number of iterations to converge. However, we investigate the statistical properties of the DQN method and theoretically demonstrate that the resulting estimator is statistically efficient over a small number of iterations under mild conditions. Extensive numerical analyses demonstrate the finite sample performance.