• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>INNS Conference on Big Data >Learning from Distributed Data Sources using Random Vector Functional-Link Networks
【24h】

Learning from Distributed Data Sources using Random Vector Functional-Link Networks

机译：使用随机矢量功能链接网络从分布式数据源学习

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

One of the main characteristics in many real-world big data scenarios is their distributed nature. In a machine learning context, distributed data, together with the requirements of preserving privacy and scaling up to large networks, brings the challenge of designing fully decentralized training protocols. In this paper, we explore the problem of distributed learning when the features of every pattern are available throughout multiple agents (as is happening, for example, in a distributed database scenario). We propose an algorithm for a particular class of neural networks, known as Random Vector Functional-Link (RVFL), which is based on the Alternating Direction Method of Multipliers optimization algorithm. The proposed algorithm allows to learn an RVFL network from multiple distributed data sources, while restricting communication to the unique operation of computing a distributed average. Our experimental simulations show that the algorithm is able to achieve a generalization accuracy comparable to a fully centralized solution, while at the same time being extremely efficient.
机译：许多真实世界大数据场景中的主要特征之一是其分布式性质。在机器学习背景下，分布式数据以及保留隐私和扩展到大型网络的要求，带来了设计完全分散的培训协议的挑战。在本文中，我们探讨了当在多个代理中提供每个模式的特征时分布式学习的问题（例如，在发生分布式数据库场景中，例如在发生的情况下）。我们提出了一种特定类别的神经网络算法，称为随机矢量功能 - 链路（RVFL），其基于乘法器优化算法的交替方向方法。所提出的算法允许从多个分布式数据源学习RVFL网络，同时限制与计算分布式平均值的独特操作的通信。我们的实验模拟表明，该算法能够实现与完全集中式解决方案相当的泛化精度，同时非常有效。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号