一般的なマルチキャストは、メッセージのセマンティクスを活用して必要な場合にのみメッセージの順序付けを行うことで、より高い性能を発揮する。
本論文は、分散最適化問題を効率的に解くための新しい学習最適化フレームワークMiLoDo(Mathematics-inspired Learning-to-optimize Framework for Decentralized optimization)を提案する。MiLoDo は、分散最適化のための必要条件を満たす数学的構造に基づいて学習最適化アルゴリズムを設計することで、汎化性能と収束速度を大幅に向上させる。
提案するDT-GOアルゴリズムは、ノードの出次数を知る必要がなく、通信遅延に頑健な分散最適化を実現する。理論的な収束保証を示し、中央集中型SGDと同等の収束速度を達成する。
大規模かつ分散型の生存データに対して、プライバシー保護と計算負荷の軽減を両立するサブサンプリングベースのCoxモデル推定手法を提案する。
本論文では、強凸で2回連続微分可能な目的関数の分散型最適化問題を解くための新しい完全分散型プライマル・デュアル法(DPDM)およびその一般化(GDPDM)を提案する。提案手法では、プライマル更新にBFGS近似を用いた準ニュートン法を、デュアル更新に新しい2次の修正ステップを用いる。これにより、各ノードのプライマル更新方向が漸近的に中央集権型の準ニュートン方向に収束することを示す。適切なパラメータ設定の下で、GDPDMおよびDPDMは強凸な分散型最適化問題に対して大域的線形収束性を持つ。数値実験の結果、提案手法は他の最先端手法と比べて非常に効率的であることを示す。
分散量子コンピューティングシステムにおいて、個々の小規模量子コンピューターを共有量子ゲート処理ユニット(S-QGPU)に接続することで、リモートゲート演算を効率的に実行できる。
分散環境において、各コンポーネントが独自のクロックを持ち、不完全かつ不正確な情報しか得られない状況下で、時間制約プロパティを可能な限り早期に検出するモニタリングアルゴリズムを提案する。
提案手法は、エージェント間の完全な情報交換を必要とせずに、入力と状態の推定を効率的に行うことができる。これにより、プライバシーを保護しつつ、中央集権型フィルタと同等の性能を達成できる。
正則グラフ上のコンセンサス問題に対して、平均ケース分析に基づいた最適アルゴリズムを導出し、その収束特性を明らかにした。
分散型研究インフラストラクチャを対象とした信頼性の高いイベント駆動型アプリケーションの開発を支援するためのOctopusというハイブリッドクラウドエッジイベントファブリックの設計と実装。