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。
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】