Core Concepts
2つのエージェントが異なる特徴空間を持ち、ローカルデータを使用して関数の推定を行う問題に焦点を当てた研究。
Abstract
I. 導入
2つのエージェントと融合センターによる関数推定問題に焦点。
データは独立変数と対応する従属変数のサンプルから構成される。
融合スペースで推定された関数が融合され、エージェントにダウンロードされる。
II. 知識空間の構築
個々のエージェントおよび融合スペースの知識空間の構築方法。
各エージェントが最小二乗回帰問題を解決し、ローカルマッピングを推定。
III. 回帰と融合問題
エージェントによる最小二乗回帰問題と融合センターでの関数融合問題。
最適化手法を使用して関数融合を実施。
IV. 例
実際の多項式関数の推定例。
エージェント1およびエージェント2がアップロードした関数とダウンロードした関数を比較。
V. 結論と今後の展望
分散学習スキームや知識移動量など、将来的な研究方向に焦点。
Stats
エージェント1は20個の入力データサンプルを収集しました。
エージェント2は異なる入力データサンプルも20個収集しました。
Quotes
"Kernel methods have played a central role in inference problems."
"Understanding deep learning through comparison with kernel based learning has been done."