1. Abstract

• 解决分布式大规模稀疏优化问题
• prox linear 算法的分布式实现
• GRock：并行贪心的coordinate-block descent算法

2. Introduction

2.1 稀疏优化问题的两个结构特征：

1. 目标函数可分
2. 数据近似正交性

2.2 ADMM的可扩展性不好：

1. 将数据切分到不同节点并不能减少ADMM的计算时间
2. 因为数据块的增加会导致需要的迭代数增加
3. 小数据块节省的时间会被迭代数的增加而抵消

2.3. 并行Coordinate descent：

1. Shotgun:Parallel coordinate descent for l1-regularized loss minimization
2. Scaling up coordinate descent algorithms for large l1 regularization problems. 并行CD算法的框架
3. Feature clustering for accelerating parallel coordinate descent. 迭代和随机地选择多个block，在正交条件下，本文的方法需要更少的迭代轮数，而且每轮迭代的开销也几乎不变

3. Problem formulation和数据并行

3.1 三种分布式策略

• 行block分布式
• 列block分布式
• 通用block分布式，行和列都切分

4. Prox-linear的分布式实现

• 分布式Lasso
• 分布式稀疏逻辑回归

5. 并行贪心CD

4.1. CD

• 每轮迭代只更新一个coordinate(或者block)，其他保持不变
• Cyclic CD：轮流更新
• Random CD：随机选择coordinate，分析基于期望的目标值
• Greedy CD. 选择merit value最大的coordinates，比如梯度向量中绝对值最大的坐标
• Mixed CD. 混合上面几种

4.2. GRock

• 贪心的coordinate-block descent方法
• P个block中最好的坐标被选中

4.3. GRock在稀疏优化的优点

• CD每次只更新很少的坐标，因此与prox-linear和梯度算法相比，需要更多的迭代
• 但是稀疏优化问题中，Greedy CD的坐标选择经常发生在非0的区域

5. 计算复杂度分析

• 几种算法每轮迭代的开销基本差不多

6. Conclusion

• prox-linear算法的分布式实现
• GRock：解决大规模稀疏优化问题
• 利用稀疏优化问题的两个结构特点：目标函数可分，数据大部分正交