近日，课题组以“Distributed Ranking with Communications: Approximation Analysis and Applications” 为题，在人工智能顶级会议Association for the Advancement of Artificial Intelligence（AAAI 2021）发表研究论文。文章提出一类基于交流策略的分布式排序算法，同时建立了算法的理论分析并提供经验评估。

分布式学习算法的理论研究在机器学习领域引起了广泛关注。然而，大多数分布式算法的研究集中于逐点损失(pointwise loss)且没有考虑不同数据处理器之间的信息交互。针对该问题，研究以成对平方损失的排序算法为目标，基于牛顿迭代法构建一类新的分布式排序算法。优化上，为了实现不同处理器之间的信息交流，采用数据交互策略。理论上，结合误差分解与集中估计技术建立了模型的学习率，推广并提升了相关的收敛分析结果。应用上，在模拟和真实数据实验中从排序准确率与算法速度等多角度验证了构建算法的出色性能。

该研究是陈洪教授前期工作（H. Chen, J. Approx. Theory, 2012; H. Chen, H. Li and Z. Pan, Neurocomputing, 2019; H. Chen, Y. Wang, B. Song and H. Li, JMAA, 2020）的进一步延续和深入，得到了国家自然科学基金面上项目等的资助。理学院陈洪教授为论文第一作者，信息学院博士生王英杰为第二作者，信息学院王玉龙教授与南方科技大学郑锋助理教授为论文的通讯作者。