論文の概要: Communication-Aware Collaborative Learning
- arxiv url: http://arxiv.org/abs/2012.10569v1
- Date: Sat, 19 Dec 2020 01:47:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 11:16:18.459185
- Title: Communication-Aware Collaborative Learning
- Title(参考訳): コミュニケーションを意識した協調学習
- Authors: Avrim Blum, Shelby Heinecke, Lev Reyzin
- Abstract要約: 分散ブーストを用いたコミュニケーション効率の高いPAC学習アルゴリズムを開発。
中間段階として、協調的なPAC学習アルゴリズムが分類ノイズにどのように適応できるかを示す。
- 参考スコア(独自算出の注目度): 11.183124892686239
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Algorithms for noiseless collaborative PAC learning have been analyzed and
optimized in recent years with respect to sample complexity. In this paper, we
study collaborative PAC learning with the goal of reducing communication cost
at essentially no penalty to the sample complexity. We develop communication
efficient collaborative PAC learning algorithms using distributed boosting. We
then consider the communication cost of collaborative learning in the presence
of classification noise. As an intermediate step, we show how collaborative PAC
learning algorithms can be adapted to handle classification noise. With this
insight, we develop communication efficient algorithms for collaborative PAC
learning robust to classification noise.
- Abstract(参考訳): ノイズレス協調pac学習のアルゴリズムは,近年,サンプル複雑性に関して解析・最適化されている。
本稿では,通信コストの削減を目標とし,サンプル複雑性に対して実質的にペナルティを伴わない協調的pac学習について検討する。
分散ブースティングを用いた通信効率の高い協調pac学習アルゴリズムを開発した。
次に,分類ノイズの存在下での協調学習のコミュニケーションコストを検討する。
中間段階として、協調的なPAC学習アルゴリズムが分類ノイズにどのように適応できるかを示す。
そこで本研究では,ノイズ分類に頑健な協調pac学習のための通信効率の高いアルゴリズムを開発した。
関連論文リスト
- A Resilient Distributed Boosting Algorithm [15.658216451225153]
本稿では,限られたノイズに耐性のある分散ブースティングアルゴリズムを提案する。
我々のアルゴリズムは、アルゴリズムの強化に似ているが、Impagliazzoのハードコア補題(Impagliazzo95)にインスパイアされた新しいコンポーネントを備えており、アルゴリズムに堅牢性を加えている。
論文 参考訳(メタデータ) (2022-06-09T18:10:06Z) - Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。
合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
論文 参考訳(メタデータ) (2022-02-04T15:46:27Z) - CoDiM: Learning with Noisy Labels via Contrastive Semi-Supervised
Learning [58.107679606345165]
ノイズラベル学習、半教師付き学習、コントラスト学習は、アノテーションコストの削減を必要とする学習プロセスを設計するための3つの異なる戦略である。
本稿では,コントラシブ・セミスーパーバイズド・ラーニング・アルゴリズムであるCSSLと,ノイズラベルを用いた学習のための新しいアルゴリズムであるCoDiMを提案する。
論文 参考訳(メタデータ) (2021-11-23T04:56:40Z) - Medium Access Control protocol for Collaborative Spectrum Learning in
Wireless Networks [29.23509739013885]
本稿では,アドホックネットワークにおけるスペクトル協調のための完全分散アルゴリズムを提案する。
このアルゴリズムに基づいて,アドホックネットワークにおけるアルゴリズムの分散実装を可能にするメディアアクセス制御プロトコルを提供する。
論文 参考訳(メタデータ) (2021-10-25T10:11:57Z) - Accelerating Federated Edge Learning via Optimized Probabilistic Device
Scheduling [57.271494741212166]
本稿では,通信時間最小化問題を定式化し,解決する。
最適化されたポリシーは、トレーニングプロセスが進むにつれて、残りの通信ラウンドの抑制から、ラウンドごとのレイテンシの低減へと、徐々に優先順位を転換している。
提案手法の有効性は,自律運転における協調的3次元目標検出のユースケースを通じて実証される。
論文 参考訳(メタデータ) (2021-07-24T11:39:17Z) - Uniform-PAC Bounds for Reinforcement Learning with Linear Function
Approximation [92.3161051419884]
線形関数近似を用いた強化学習について検討する。
既存のアルゴリズムは、高い確率的後悔と/またはおよそ正当性(PAC)サンプルの複雑さの保証しか持たない。
我々はFLUTEと呼ばれる新しいアルゴリズムを提案し、高い確率で最適ポリシーへの均一PAC収束を享受する。
論文 参考訳(メタデータ) (2021-06-22T08:48:56Z) - Unsupervised Clustered Federated Learning in Complex Multi-source
Acoustic Environments [75.8001929811943]
現実的で挑戦的なマルチソース・マルチルーム音響環境を導入する。
本稿では,音響シーンの変動を考慮したクラスタリング制御手法を提案する。
提案手法はクラスタリングに基づく測度を用いて最適化され,ネットワークワイド分類タスクによって検証される。
論文 参考訳(メタデータ) (2021-06-07T14:51:39Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳(メタデータ) (2021-04-14T14:20:22Z) - Unsupervised collaborative learning using privileged information [0.0]
本稿では,Privileged Informationパラダイムを用いた学習に基づく協調クラスタリングについて述べる。
アルゴリズムと最先端の実装との比較により,提案手法を用いたコラボレーションプロセスの改善が示された。
論文 参考訳(メタデータ) (2021-03-24T12:43:49Z) - Feedback Coding for Active Learning [15.239252118069762]
アクティブなサンプル選択タスクに最適なトランスポートベースのフィードバックコーディングスキームを開発しています。
各種データセット上でAPMを評価し,既存のアクティブラーニング手法に匹敵する学習性能を示す。
論文 参考訳(メタデータ) (2021-02-28T23:00:34Z) - Interactive Learning from Activity Description [11.068923430996575]
本稿では,要求充足エージェントを言語的に記述することで,要求充足エージェントの訓練を可能にする対話型学習プロトコルを提案する。
我々のプロトコルは、模倣学習(IL)や強化学習(RL)といった従来のアルゴリズムと相補的な優位性を提供する対話型学習アルゴリズムの新しいファミリーを生み出している。
我々は,このプロトコルを実践的に実装し,純粋に言語記述フィードバックを用いた2つの要求充足問題をエージェントに訓練するアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-02-13T22:51:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。