MUSIC：在分布式优化中加速收敛的不准确和准确方法
原文中文，约300字，阅读约需1分钟。发表于：。在本文中，我们提出了一种名为 MUSIC 的加速框架，允许每个代理在每次迭代中执行多次本地更新和一次组合。我们将不精确和精确的分布式优化方法应用于该框架，从而开发出两种新算法，表现出高速线性收敛和高通信效率。我们的收敛分析揭示了不精确策略引起的稳态误差的来源并提供了有效的解决方案。基于合成和真实数据集的数值结果证明了我们的理论动机、分析以及性能优势。
本文介绍了MUSIC加速框架，实现了每次迭代中的多次本地更新和一次组合。通过不精确和精确的分布式优化方法，开发了两种新算法，表现出高速线性收敛和高通信效率。收敛分析揭示了不精确策略引起的稳态误差的来源并提供了有效的解决方案。数值结果证明了理论动机、分析以及性能优势。
