Core Concepts
時間変動ランダムグラフ上での分散型オンラインの正則化線形回帰アルゴリズムを提案し、その収束性と性能を解析した。アルゴリズムには革新項、コンセンサス項、正則化項が含まれ、グラフと回帰行列の特殊な統計的性質を仮定せずに、標本経路上の時空間的持続的励起条件の下で全ノードの推定値が真の未知パラメータに収束することを示した。さらに、レグレット上界を導出した。
Abstract
本論文では、時間変動ランダムグラフ上での分散型オンラインの正則化線形回帰アルゴリズムを提案し、その収束性と性能を解析した。
アルゴリズムの概要は以下の通り:
各ノードは自身の新しい観測値を処理する革新項、近隣ノードの推定値の加重和であるコンセンサス項、過剰適合を防ぐための正則化項から成る。
グラフと回帰行列の特殊な統計的性質を仮定せず、標本経路上の時空間的持続的励起条件の下で全ノードの推定値が真の未知パラメータに収束することを示した。
条件付き均衡グラフと条件付き時空間的共観測性を仮定すれば、適切なアルゴリズムゲインを選択することで、平均二乗収束と確率 1 収束が得られることを示した。
レグレット上界は O(T^(1-τ)log T) であることを証明した。
Stats
各ノードの観測値 yi(k) は、未知の真のパラメータベクトル x0 と確率的な回帰行列 Hi(k) および観測ノイズ vi(k) の線形関数で表される。
各ノードの推定値 xi(k) は、革新項、コンセンサス項、正則化項から構成される。
通信ノイズは相対状態依存の加法性と乗法性のノイズを含む。
Quotes
"正則化は複雑なモデルを扱う上で有効な手段であり、経験リスクと複雑性のトレードオフを選択する役割を果たす。"
"分散型学習は大規模なデータセットを処理する際に必要であり、ユーザのプライバシーを保護することができる。"
"本論文では、時間変動ランダムグラフ上での分散型オンラインの正則化線形回帰アルゴリズムを提案し、その収束性と性能を解析した。"