本論文では、オンラインモデル選択における分散データ(OMS-DecD)の問題を考察している。OMS-DecDは、M個のクライアントがそれぞれ独立したデータを観測し、中央サーバーが調整しながらモデル選択を行う問題である。
主な結果は以下の通り:
計算コストに制限がない場合、協調は必要ない。各クライアントの計算コストがO(K)であれば、協調なしでも最適な性能が得られる。
計算コストに制限がある場合、協調が必要となる。各クライアントの計算コストをo(K)に制限すると、協調なしでは性能が劣化する。
提案手法FOMD-OMSは、分散オンラインマルチカーネル学習(OMKL)の既存手法よりも優れた性能を示す。FOMD-OMSは、最適仮説空間の複雑さに適応した regret 界を持ち、計算コストも小さい。
本論文では、協調の必要性を計算コストの観点から明らかにし、効率的な分散オンラインモデル選択手法を提案している。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Junfan Li,Ze... at arxiv.org 04-16-2024
https://arxiv.org/pdf/2404.09494.pdfDeeper Inquiries