文献

J-GLOBAL ID：201902258994191297   整理番号：19A0496586

分散オンライン非パラメトリック学習【JST・京大機械翻訳】

Decentralized Online Nonparametric Learning

著者 (4件)： Koppel Alec (Computational and Information Sciences Directorate, U.S. Army Research Laboratory) ,  Paternain Santiago (Department of Electrical and Systems Engineering, University of Pennsylvania) ,  Richard Cedric (Laboratory Lagrange, Observatory of the French Riviera, University of Nice Sophia-Antipolis) ,  Ribeiro Alejandro (Department of Electrical and Systems Engineering, University of Pennsylvania)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ACSSC  ページ： 2139-2143  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 著者らは,推定子が再生カーネルHilbert空間(RKHS)から選択される分散オンライン教師つき学習を考察した。ここでは,マルチエージェントネットワークは,局所的に観測されたストリーミングデータにアクセスするだけでなく,ネットワークを通してデータを集約するグローバルな凸汎関数に関して最適な非線形統計モデルを学習することを目的とする。ここでは,合意制約を強制しながら,大域的回帰関数の局所コピーを学習するために各エージェントを可能にすることにより,この問題に取り組んだ。低次元部分空間射影と同時に動作する機能的確率勾配降下のペナルティ化変異体を用いた。結果として得られたアルゴリズムは,その局所的に観測されたデータストリームとその近傍を通過するメッセージに基づいて,個々のエージェントを学習することを可能にし,その機能は全体的に最適に近く,コンセンサス制約を満たす。さらに,学習した回帰関数の複雑さは有限であることを保証した。次に,分散オンライン多クラスカーネルロジスティック回帰の場合のBrodatzテクスチャデータセットに関するこのアプローチを検証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ペナルティ ,  射影 ,  汎関数 ,  ネットワーク ,  推定量 ,  凸形 ,  アルゴリズム ,  統計模型 ,  *エージェント ,  教師つき学習
準シソーラス用語： 質感 ,  ロジスティック回帰分析 ,  部分空間 ,  マルチエージェント ,  *オンライン , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： オンライン ,  学習