研究提出去中心化训练算法DPA并获NeurIPS接收

Diyako Ghaderyan 与 Stefan Werner 提出去中心化学习算法 DPA（Decentralized Primal Averaging），结合原始平均与本地准全局动量缓冲来构建网络感知的动量方向，无需传输辅助跟踪变量，该工作已被 NeurIPS 2026 接收，代码已公开。 该算法针对节点间数据高度异构的去中心化训练场景，还包含变体 DPA-1G。作者给出了非凸目标下的收敛界，以及智能体数量线性加速的条件，并通过实验验证了算法表现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。