Communication-Efficient Federated Optimization over Semi-Decentralized Networks

要約

大規模なフェデレーションおよび分散型学習では、通信効率が最も困難なボトルネックの 1 つです。
ゴシップ通信 (エージェントが接続されている近隣のエージェントと情報を交換できる) は、リモート サーバーとの通信よりもコスト効率が高くなりますが、特に大規模で疎なネットワークの場合、多くの場合、より多くの通信ラウンドが必要になります。
このトレードオフに取り組むために、エージェントがエージェント間およびエージェント対サーバーの両方の通信を確率的に実行できる半分散型通信プロトコルの下での通信効率を調べます。
私たちは、PISCO と呼ばれる半分散型ネットワーク上で通信効率の高いカスタマイズされたアルゴリズムを設計します。このアルゴリズムは、勾配追跡のおかげでデータの不均一性に対する堅牢性を継承し、通信を節約するために複数のローカル更新を可能にします。
非凸問題に対する PISCO の収束率を確立し、エージェントとローカル更新の数に関して PISCO が直線的に高速化していることを示します。
私たちの数値結果は、PISCO の優れた通信効率と、データの異質性やさまざまなネットワーク トポロジに対する回復力を強調しています。

要約(オリジナル)

In large-scale federated and decentralized learning, communication efficiency is one of the most challenging bottlenecks. While gossip communication — where agents can exchange information with their connected neighbors — is more cost-effective than communicating with the remote server, it often requires a greater number of communication rounds, especially for large and sparse networks. To tackle the trade-off, we examine the communication efficiency under a semi-decentralized communication protocol, in which agents can perform both agent-to-agent and agent-to-server communication in a probabilistic manner. We design a tailored communication-efficient algorithm over semi-decentralized networks, referred to as PISCO, which inherits the robustness to data heterogeneity thanks to gradient tracking and allows multiple local updates for saving communication. We establish the convergence rate of PISCO for nonconvex problems and show that PISCO enjoys a linear speedup in terms of the number of agents and local updates. Our numerical results highlight the superior communication efficiency of PISCO and its resilience to data heterogeneity and various network topologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google