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

27 октября 2026 г.

НИУ ВШЭ открывает прием заявок от подразделений на участие в Программе привлечения российских постдоков

Как привлечь новые компетенции в исследовательскую команду, дать импульс перспективному проекту и наладить сотрудничество с учеными из других организаций? Один из инструментов — Программа привлечения российских постдоков в НИУ ВШЭ. C 26 октября по 18 декабря 2026 года научные подразделения университета смогут подать заявки на привлечение постдоков к своим проектам или продление контрактов с действующими участниками программы.

27 октября 2026 г.

Российские ученые предложили универсальный метод декодирования линейных кодов

Исследователи из МИЭМ ВШЭ и Сколтеха разработали новый подход к декодированию используемых при передаче данных кодов. Их гибридный подход значительно сокращает затраты на вычисления и может быть реализован на электронных компонентах. Работа опубликована в журнале IEEE Transactions on Communications.

26 октября 2026 г.

РНФ поддержал 26 научных проектов НИУ ВШЭ

Российский научный фонд подвел итоги конкурса на получение грантов «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами». Победителями признаны более 850 проектов, в том числе 26 из Высшей школы экономики.

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.

Моментные оценки для стохастической аппроксимации

Наумов А. А., Рубцов А. С., Самсонов С. В. и др., Успехи математических наук 2026 Т. 81 № 4 (490) С. 161–162

Краткое сообщение рассматривает Моментные оценки для стохастической аппроксимации ...

Добавлено: 17 октября 2026 г.

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: Conference on Uncertainty in Artificial Intelligence, 17-21 August 2026, KIT, Amsterdam, the NetherlandsVol. 337.: MLResearchPress, 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.