分割変分推論:確率的連合学習のためのフレームワーク【JST・京大機械翻訳】

Ashman Matthew; Bui Thang D.; Nguyen Cuong V.; Markou Stratis; Weller Adrian; Swaroop Siddharth; Turner Richard E.

プレプリント

J-GLOBAL ID：202202216674138889 整理番号：22P0294887

分割変分推論:確率的連合学習のためのフレームワーク【JST・京大機械翻訳】

Partitioned Variational Inference: A Framework for Probabilistic Federated Learning

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 (7件)： , , , , , ,
資料名：
発行年： 2022年02月24日プレプリントサーバーでの情報更新日： 2022年04月28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)

計算デバイスの増殖は,以前にアクセスできないデータを使用して,新しい問題ドメインに機械学習モデルを展開する機会をもたらした。そのようなモデルを訓練するための従来のアルゴリズムは,単一ノードによって実行される計算で単一マシンに保存されるデータを必要とし,複数のデバイスで分散訓練に不適当である。この欠陥は,複数のデータ所有者が協調的に訓練し,ローカルデータプライベートを維持しながら共有モデルを使用する,連合学習アルゴリズムの開発を動機づけた。しかし,これらのアルゴリズムの多くは,モデル不確実性を捉える確率推定よりもモデルパラメータの点推定を得ることに焦点を合わせており,これは多くの応用で必須である。変分推論(VI)は,多くの現代の確率モデルに適合するための選択の方法になった。本論文では,分割変分推論(PVI)を導入し,連合設定においてVIを実行するための一般的フレームワークである。PVIの新しい支持理論を開発し,実務者にとって魅力的な選択となる多数の性質を実証した。PVIは,断片化した,しかし,関連する文献の豊かさを統一する;そして,種々の連合設定におけるPVIの有効性を示す経験的結果を提供した。【JST・京大機械翻訳】

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

人工知能 , パターン認識

, , ,

前のページに戻る