Fugu-MT 論文翻訳(概要): A Resilient Distributed Boosting Algorithm

論文の概要: A Resilient Distributed Boosting Algorithm

arxiv url: http://arxiv.org/abs/2206.04713v1
Date: Thu, 9 Jun 2022 18:10:06 GMT
ステータス: 処理完了
システム内更新日: 2022-06-13 14:53:34.979607
Title: A Resilient Distributed Boosting Algorithm
Title（参考訳）: 回復力のある分散ブースティングアルゴリズム
Authors: Yuval Filmus, Idan Mehalel and Shay Moran
Abstract要約: 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。私たちの堅牢性は古典的なブースティングアルゴリズムに似ていますが、Impagliazzoのハードコアのlemma citeimpagliazzohard 1995にインスパイアされた新しいコンポーネントを備えています。
参考スコア（独自算出の注目度）: 15.658216451225153
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Given a learning task where the data is distributed among several parties, communication is one of the fundamental resources which the parties would like to minimize. We present a distributed boosting algorithm which is resilient to a limited amount of noise. Our algorithm is similar to classical boosting algorithms, although it is equipped with a new component, inspired by Impagliazzo's hard-core lemma \cite{impagliazzo1995hard}, adding a robustness quality to the algorithm. We also complement this result by showing that resilience to any asymptotically larger noise is not achievable by a communication-efficient algorithm.
Abstract（参考訳）: データが複数のパーティに分散する学習タスクを考えると、コミュニケーションは、当事者が最小化したい基本的なリソースの1つです。限られた雑音に耐性を持つ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古典的なブースティングアルゴリズムと似ているが、Impagliazzoのハードコア lemma \cite{impagliazzo 1995hard} 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の品質を付加している。また, 漸近的に大きい雑音に対するレジリエンスは通信効率のよいアルゴリズムでは達成できないことを示すことで, この結果を補完する。

関連論文リスト

Resilience-Runtime Tradeoff Relations for Quantum Algorithms [0.7371081631199642]
アルゴリズム設計における主要なアプローチは、アルゴリズムのコンパイルにおける操作数を最小化することである。摂動雑音に対するアルゴリズムのレジリエンスを特徴付ける枠組みを開発する。我々は、このフレームワークがどのようにして特定のノイズに耐えられるアルゴリズムのコンパイルを識別できるかを示す。
論文参考訳（メタデータ） (2024-08-05T18:31:14Z)
Nonparametric Evaluation of Noisy ICA Solutions [5.749787074942513]
ブラインドソース分離(BSS)モデルとして独立成分分析(ICA)が1980年代に導入された。任意のガウス雑音を持つICAの正しいアルゴリズムを適応的に選択する非パラメトリックスコアを開発する。
論文参考訳（メタデータ） (2024-01-16T16:18:17Z)
Federated Learning with a Sampling Algorithm under Isoperimetry [9.990687944474738]
フェデレーション学習は、機械学習アルゴリズムのトレーニングを複数のデバイスに効率的に分散するために、一連のテクニックを使用する。本稿では,Langevinvin のサンプル Aafteri の通信効率のよい変種を提案する。
論文参考訳（メタデータ） (2022-06-02T08:19:03Z)
Adversarial Robustness of Streaming Algorithms through Importance Sampling [29.957317489789745]
我々は、中央の機械学習とアルゴリズムタスクに逆向きに頑健なストリーミングアルゴリズムを導入する。我々の結果は、多くの重要なサンプリングベースのアルゴリズムが敵の堅牢性をもたらすという、単純だが強力で観察に基づいている。我々は、様々な敵攻撃に対するアルゴリズムの堅牢性を実証的に確認し、対照的に、いくつかの一般的なアルゴリズムは堅牢ではないことを示す。
論文参考訳（メタデータ） (2021-06-28T19:24:11Z)
Community detection using fast low-cardinality semidefinite programming [94.4878715085334]
局所的な更新を一般化し、ライデン-k-カットから導かれる半定緩和を最大化する、新しい低カルチナリティアルゴリズムを提案する。提案アルゴリズムはスケーラビリティが高く,最先端のアルゴリズムより優れ,実時間では性能が向上し,追加コストがほとんどない。
論文参考訳（メタデータ） (2020-12-04T15:46:30Z)
An Asymptotically Optimal Primal-Dual Incremental Algorithm for Contextual Linear Bandits [129.1029690825929]
複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
論文参考訳（メタデータ） (2020-10-23T09:12:47Z)
Qubit-efficient entanglement spectroscopy using qubit resets [0.0]
NISQデバイス上でのエンタングルメント分光のための量子ビット効率の量子アルゴリズムを開発した。我々のアルゴリズムは、ノイズの存在下で同様の性能を保ちながら、従来のどの効率的なアルゴリズムよりも少ない量子ビットを使用する。また、量子ビットリセット回路に適した標準回路深さの一般化として、有効回路深さの概念を導入する。
論文参考訳（メタデータ） (2020-10-06T23:22:57Z)
Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。最先端アルゴリズムの利点を論じ、解説する。
論文参考訳（メタデータ） (2020-09-28T15:22:24Z)
Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。 1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
論文参考訳（メタデータ） (2020-08-18T16:22:06Z)
Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文参考訳（メタデータ） (2020-07-01T18:43:32Z)
Active Model Estimation in Markov Decision Processes [108.46146218973189]
マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
論文参考訳（メタデータ） (2020-03-06T16:17:24Z)

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。