이 논문은 온라인 모델 선택 문제를 분산 데이터 환경에서 다룬다. 기존 연구는 최악의 경우 regret 관점에서 협업이 필요하지 않다고 결론 내렸지만, 이 논문은 계산 비용과 regret의 trade-off 관점에서 다른 결론을 제시한다.
저자들은 두 가지 연방 알고리즘 FOMD-OMS (R = T)와 FOMD-OMS (R < T)를 제안한다.
FOMD-OMS (R = T)의 regret 분석 결과:
FOMD-OMS (R < T)는 예측 성능과 통신 비용의 trade-off를 명시적으로 보여준다.
또한 이 논문은 분산 온라인 다중 커널 학습 문제에 대해 기존 알고리즘들의 regret bound를 개선한다.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Junfan Li,Ze... في arxiv.org 04-16-2024
https://arxiv.org/pdf/2404.09494.pdfاستفسارات أعمق