文献

J-GLOBAL ID：202002226378723936   整理番号：20A0548747

分散型深層学習のための階層構造:性能解析【JST・京大機械翻訳】

Holarchic structures for decentralized deep learning: a performance analysis

著者 (3件)： Pournaras Evangelos (Professorship of Computational Social Science, ETH Zurich, Zurich, Switzerland) ,  Yadhunathan Srivatsan (Professorship of Computational Social Science, ETH Zurich, Zurich, Switzerland) ,  Diaconescu Ada (Telecom ParisTech, Paris-Saclay University, Paris, France)
資料名： Cluster Computing  (Cluster Computing)
巻： 23  号： 1  ページ： 219-240  発行年： 2020年 
JST資料番号： W4172A  ISSN： 1386-7857  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 構造は学習性能において重要な役割を果たす。集中化計算システムにおいて,ドロップアウトのようなハイパーパラメータ最適化と正則化技術は,深い階層構造を調整することによって学習性能を強化するための計算手段である。しかしながら,モノのインターネットによる分散型の深い学習において,構造は複雑なネットワークプロトコルを介して相互作用するスマートフォンのような自律的な相互接続されたデバイスの実際のネットワークである。学習構造の自己適応は課題である。ネットワーク待ち時間,ノードおよびリンク故障または制限された処理能力とエネルギーアベイラビリティによるボトルネックのような不確実性は,学習性能を著しく低下させることができる。ネットワーク自己組織化と自己管理は複雑であるが,それは分散した深い学習の実現可能性を妨げる付加的な計算とネットワーク資源を必要とする。これとは対照的に,本論文では,不確実性を持つ分散環境における学習性能を探索し,緩和し,ブースティングするための全体的学習構造に基づく自己適応学習アプローチを紹介した。スマートグリッドとスマート都市パイロットプロジェクトからの合成と実世界のデータを供給した864000の実験による大規模性能解析は,分散した深い学習のための全体的構造の費用対効果を確認した。Copyright The Author(s) 2019 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *性能分析 ,  スループット ,  アベイラビリティ ,  相互接続 ,  計算機システム ,  自己組織化 ,  最適化 ,  ネットワーク ,  スマートグリッド ,  相互作用 ,  待ち時間 ,  *学習 ,  不確実性 ,  都市 ,  スマートフォン

著者キーワード (6件)： 深層学習 ,  最適化 ,  ホーリー ,  マルチエージェントシステム ,  回復力 ,  スマートシティ

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (3件)： 深層学習 ,  階層構造 ,  性能解析