SCAFFLSA: Taming Heterogeneity in Federated Linear Stochastic Approximation and TD Learning

Mangold P.; S. Samsonov; Labbi S.; I. Levin; Alami R.; A. Naumov; E. Moulines

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

Новости

14 сентября 2026 г.

Когда картинка мешает понять: ученые НИУ ВШЭ выяснили, что сложным идеям не всегда нужны иллюстрации

Иллюстрации помогают запоминать конкретные действия, но не всегда облегчают понимание абстрактных идей. Исследователи НИУ ВШЭ и Университета Гумбольдта сравнили, как люди усваивают тексты разного уровня абстрактности. Выяснилось, что участники лучше запоминали иллюстрации и выполняли задания после чтения мультимедийного текста об асанах йоги, чем после чтения абстрактного текста о равновесии Нэша. Результаты помогут эффективнее подбирать иллюстрации для учебных и информационных материалов. Исследование опубликовано в журнале Learning and Instruction.

11 сентября 2026 г.

Научная экспедиция на Хайнань: ученые ВШЭ организовали конференцию по статистическому ИИ в Китае

С 24 по 28 августа 2026 года в городе Санья на острове Хайнань (Китай) прошла международная конференция Statistical AI («Статистический искусственный интеллект»). Мероприятие собрало ведущих специалистов в области статистики, машинного обучения и прикладного ИИ. Среди организаторов конференции — Алексей Наумов, директор Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ, и Сергей Самсонов, заведующий Международной лабораторией стохастических алгоритмов и анализа многомерных данных.

10 сентября 2026 г.

<a>В НИУ ВШЭ выяснили, что личный интерес к теме диссертации сильнее всего связан с уверенностью в защите

Исследователь из НИУ ВШЭ проанализировал данные 1539 аспирантов из 161 российского университета и выяснил, какие особенности диссертационной темы связаны с успешностью и вовлеченностью в обучение. Самым важным фактором оказался личный интерес к исследованию: он был связан практически со всеми ключевыми сторонами аспирантской жизни — от взаимодействия с научным руководителем до исследовательской активности и уверенности в будущей защите. Результаты опубликованы в журнале Higher Education.

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации

?

SCAFFLSA: Taming Heterogeneity in Federated Linear Stochastic Approximation and TD Learning

Ch. 37. P. 13927–13981.

Mangold P., Самсонов С. В., Labbi S., Левин И. В., Alami R., Наумов А. А., Мулине Э. Ф.

Язык: английский

Текст на другом сайте

Ключевые слова: linear stochastic approximation стохастическая аппроксимация TD Learning Taming Heterogeneity

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:

Разработка и теоретический анализ новых эффективных стохастических алгоритмов машинного обучения (2024)

В книге

38th Conference on Neural Information Processing Systems (NeurIPS 2024)

[б.и.], 2024.

Gaussian Approximation and Multiplier Bootstrap for Federated Linear Stochastic Approximation

Левин И. В., Шуклин М. В., Moulines E. и др., , in: Proceedings of the 42nd Conference on Uncertainty in Artificial Intelligence (UAI), PMLR Volume 337, 17-21 August 2026, KIT, Amsterdam, the NetherlandsVol. 337.: Proceedings of Machine Learning Research , 2026. Ch. 134 P. 3487–3545.

Добавлено: 4 сентября 2026 г.

High-Order Error Bounds for Markovian LSA with Richardson–Romberg Extrapolation

Левин И. В., Наумов А. А., Самсонов С. В., , in: Proceedings of the AAAI Conference on Artificial Intelligence. AAAI-26: AAAI Technical Track on Planning, Routing, and Scheduling; AAAI Technical Track on Reasoning under Uncertainty; AAAI Technical Track on Search and Optimization. Main Track, volume 40 no. 43.: American Association for Artificial Intelligence (AAAI) Press, 2026. P. 36696–36704.

Добавлено: 17 апреля 2026 г.

Statistical inference for Linear Stochastic Approximation with Markovian Noise

Самсонов С. В., Шешукова М. Е., Moulines E. и др., , in: 39th Conference on Neural Information Processing Systems (NeurIPS 2025).: NeurIPS, 2025. P. 174565–174626.

Добавлено: 26 января 2026 г.

Improved High-Probability Bounds for the Temporal Difference Learning Algorithm via Exponential Stability

Самсонов С. В., Тяпкин Д. Н., Наумов А. А. и др., , in: Proceedings of Machine Learning Research. Volume 247: The Thirty Seventh Annual Conference on Learning Theory, 30-3 July 2023, Edmonton, Canada.: PMLR, 2024. Ch. 247 P. 4511–4547.

Добавлено: 13 октября 2024 г.

Finite-Time High-Probability Bounds for Polyak–Ruppert Averaged Iterates of Linear Stochastic Approximation

Durmus A., Мулине Э. Ф., Наумов А. А. и др., Mathematics of Operations Research 2025 Vol. 50 No. 2 P. 935–964

Добавлено: 13 июля 2022 г.

Tight High Probability Bounds for Linear Stochastic Approximation with Fixed Stepsize

Durmus A., Мулине Э. Ф., Наумов А. А. и др., , in: Advances in Neural Information Processing Systems 34 (NeurIPS 2021).: Curran Associates, Inc., 2021. P. 30063–30074.

This paper provides a non-asymptotic analysis of linear stochastic approximation (LSA) algorithms with fixed stepsize. This family of methods arises in many machine learning tasks and is used to obtain approximate solutions of a linear system $\bar{A}\theta = \bar{b}$ for which $\bar{A}$ and $\bar{b}$ can only be accessed through random estimates $\{({\bf A}_n, {\bf b}_n): ...

Добавлено: 17 февраля 2022 г.

On the Stability of Random Matrix Product with Markovian Noise: Application to Linear Stochastic Approximation and TD Learning

Durmus A., Мулине Э. Ф., Наумов А. А. и др., , in: Proceedings of Machine Learning ResearchVol. 134: Conference on Learning Theory.: PMLR, 2021. P. 1711–1752.

Добавлено: 6 августа 2021 г.