抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
分散機械学習は大規模クラスタ上の大規模データマイニングのためのますます普及しつつある。はぐれ星機械の干渉を緩和するために,最近の分散機械学習システムは柔軟なモデルの一貫性,最新モデルを待たずにモデル更新を計算するためのローカルな古いモデルを用いた作業者を支持するが,アルゴリズムの正当性を保証するために特定の結合における非同期段階を制限している。本稿では,有界長非同期計算は一貫したはぐれ星を許容できない。はこの問題の根本的原因は既存システムにおける作業者駆動並列訓練機構に由来することを調べた。非同期効率レバレッジはぐれ星問題を扱う基本的とするために,著者らは,本質的労働者間の調整問題を回避できる,モデルサーバは積極的に受動的にそれらを受信するの代わりに労働者の更新を収集するために誘発する,新しいトリガ駆動並列訓練機構を提案した。に加えて,各データのサンプリング周波数を等しくするように動的負荷分散方式を提案した。さらに,有界非同期計算アルゴリズム効率を達成し,収束保証と同様に導入した。最後に,Squirrelと呼ぶ分散機械学習システムに上記の技術を統合した。リスは簡単なプログラミングインタフェイスを提供する分散クラスタ上での機械学習アルゴリズムを展開できる。従来作業者駆動並列訓練機構と比較して,トリガ駆動機構は,機械学習アルゴリズムの4倍までのより速い収束速度を向上させることができる。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】