Distributed Convolutional Rank Regression over Decentralized Networks
去中心化网络上的分布式卷积秩回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确讨论去中心化网络中的分布式估计与邻居节点信息共享，直接对应网络与干扰这一细分方向。
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
去中心化网络上的分布式卷积秩回归
- 研究问题
- 研究问题：如何在去中心化分布式学习网络中估计卷积秩回归（CRR）模型，并在节点数据异构、仅能与邻居通信的条件下实现估计与稀疏变量选择。
- 方法与思路
- 方法思路：作者提出去中心化 CRR 框架，通过求解带一致性约束、使用核平滑秩损失的优化问题得到估计量；估计仅依赖本地节点数据与邻居共享信息，并用广义一致性 ADMM 求解各节点局部子问题。
- 材料陈述的贡献
- 摘要所述贡献：给出异构网络下去中心化 CRR 估计量的有限样本误差界，并推导稀疏去中心化 CRR Lasso 估计量的精确支撑恢复保证；通过大量数值模拟与真实数据实验验证方法表现。
- 阅读关注点
- 阅读时应核对：一致性约束与核平滑秩损失的具体形式、异构性的定义方式、误差界与支撑恢复所需假设条件、ADMM 的收敛与通信代价，以及模拟和实证的数据与对比基准。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断假设是否合理、界是否紧、隐私保护与通信效率的具体含义，也无法核实数值结果；该文为 arXiv 预印本，未经同行评审验证。
原文摘要
This paper studies convolution rank regression (CRR) over decentralized distributed learning networks. We propose a novel decentralized CRR framework, in which estimators are obtained by solving consensus-constrained optimization with kernel-smoothed rank loss. The developed estimation scheme relies solely on local node data and information shared by neighboring nodes, thereby achieving privacy preservation and high communication efficiency. For heterogeneous network settings, we establish finite-sample error bounds for the decentralized CRR estimator and derive exact support recovery guarantees for the sparse decentralized CRR Lasso estimator. To facilitate numerical implementation, we adopt a generalized consensus ADMM to efficiently solve local subproblems across all network nodes. We verify the favorable performance of our developed approach via extensive numerical simulations and real-data experiments.