自回归误差分布式算法

克服数据同质性假设，实现通信高效的分布式优化，与全局方法性能等价。

Shaomin, Li · 孙晓霏 · 王康宁

Pattern Recognition 2024

技术优势

不要同质性

该框架不要求各节点数据分布与全局一致，降低了分布式学习在实际场景中的前提条件。

通信更省

实现了通信高效的分布式优化，减少了节点间通信成本，适合大规模数据场景。

全局等价

理论结果保证新框架的性能与集中式全局方法一致，避免了分布式带来的精度损失。

能处理序列相关

考虑了数据之间的自相关性（自回归误差），使得方法适用于时间序列等存在相关性的数据。

应用场景

• 分布式机器学习：让各节点无需同分布也能协同训练，扩大分布式学习的适用范围。
• 大规模数据分析：通信高效的优化降低大数据处理的传输成本，加速分析流程。
• 时间序列预测：显式建模自回归误差，提升非独立数据下的预测精度。