特徴により分散したデータセットからのGauss混合学習のための分散EM【JST・京大機械翻訳】

Valdeira Pedro; Soares Claudia; Xavier Joao

プレプリント

J-GLOBAL ID：202202201170667107 整理番号：22P0279125

特徴により分散したデータセットからのGauss混合学習のための分散EM【JST・京大機械翻訳】

Decentralized EM to Learn Gaussian Mixtures from Datasets Distributed by Features

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月24日プレプリントサーバーでの情報更新日： 2022年01月24日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

期待値最大化(EM)はGauss混合を学習する標準法である。しかし,その古典的集中形式は,プライバシー問題と計算および通信ボトルネックのために,しばしば実行不可能であった。これまでの研究は,例,水平分割によって分散されたデータを扱うが,特徴によって散乱されたデータ,ますます一般的方式(例えば,複数エンティティからのデータによるユーザプロファイリング)に対する対応を欠いている。このギャップを埋めるために,Gauss混合を垂直分割データ(VP-EM)に適合させるEMベースのアルゴリズムを提供した。連合学習セットアップでは,このアルゴリズムは部分空間に制約されたGauss混合物の集中EMフィッティングに適合する。任意の通信グラフにおいて,コンセンサス平均化はEM近似として大きなピアツーピアネットワーク上でVP-EMを実行可能にする。この不整合はコンセンサス誤差のみから来るが,これはコンセンサスラウンドの数とともに指数的に速く消滅する。著者らは,合成および実データの両方に対する様々なトポロジー上のVP-EMを実証し,集中EMの近似を評価し,それが利用可能なベンチマークより優れていることを見た。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般

, ,

前のページに戻る