文献

J-GLOBAL ID：202202284168044957   整理番号：22A0482507

無線データセンターにおけるBayes分散学習のためのチャネル駆動モンテカルロサンプリング【JST・京大機械翻訳】

Channel-Driven Monte Carlo Sampling for Bayesian Distributed Learning in Wireless Data Centers

著者 (2件)： Liu Dongzhu (Department of Engineering, King’s Communications, Learning, & Information Processing (KCLIP) Lab, King’s College London, London, U.K.) ,  Simeone Osvaldo (Department of Engineering, King’s Communications, Learning, & Information Processing (KCLIP) Lab, King’s College London, London, U.K.)
資料名： IEEE Journal on Selected Areas in Communications  (IEEE Journal on Selected Areas in Communications)
巻： 40  号： 2  ページ： 562-577  発行年： 2022年 
JST資料番号： A0908B  ISSN： 0733-8716  CODEN： ISACEM  資料種別： 逐次刊行物 (A)
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： 既存の連合学習プロトコルによって仮定されるように,従来の頻繁学習は,不確実性の定量化,事前知識の組み込み,能動的学習のガイド,および継続的な学習を可能にする能力に限定されている。Bayes学習は,計算の複雑さの増加のコストで,これらすべての限界に対処するための原理的アプローチを提供する。本論文では,中央サーバと多重分散作業者を含む無線データセンタ設定における分散Bayes学習を研究した。無線分散学習に関する事前作業は,しばしば頻出者学習に集中して,”過剰-空気”計算を可能にするために,非コード化伝送のレバージのアイデアを導入した。頻繁な学習とは異なり,Bayes学習はモデルパラメータ空間における大域的事後分布から近似またはサンプルを評価することを目的とする。本研究では,コンセンサスモンテカルロ(CMC)による無線データセンターにおける分散ワンショット,あるいは「エバラストリー並列」,ベイジアン学習プロトコルの設計を初めて調べた。非符号化伝送は,”過剰-空気”計算を実行する方法としてだけでなく,チャネル駆動MCサンプリングを展開する機構として,チャネル雑音を緩和する,チャネル駆動サンプリングは,MCサンプリングプロセスの積分部分としてチャネル雑音を利用する。Gauss局所後部の下で漸近的に最適である簡単な無線CMC方式を最初に提案した。次に,任意の局所後部に対して,変分最適化戦略を導入した。シミュレーション結果は,適切に考慮すれば,チャネル雑音がMCサンプリングに実際に寄与でき,必ずしも精度レベルを低下させないことを証明した。Copyright 2022 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： 最適化 ,  雑音 ,  シミュレーション ,  変分法 ,  *学習 ,  不確実性 ,  バージ ,  計算量 ,  多重化 ,  チャネル
準シソーラス用語： 事前知識 ,  *ワイヤレス ,  Bayes学習 ,  モデルパラメータ ,  事後分布 , 【Automatic Indexing@JST】

分類 (3件)： 移動通信  (ND08030H) ,  計算機網  (JC03000K) ,  マイクロ波・ミリ波通信  (ND08020W)

タイトルに関連する用語 (5件)： 無線データ ,  センター ,  分散学習 ,  チャネル ,  モンテカルロサンプリング