論文の概要: Approximate Distributed Coded Computing: Polynomial Codes and Randomized Sketching
- arxiv url: http://arxiv.org/abs/2605.16744v1
- Date: Sat, 16 May 2026 01:50:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 16:44:38.665809
- Title: Approximate Distributed Coded Computing: Polynomial Codes and Randomized Sketching
- Title（参考訳）: Approximate Distributed Coded Computing: 多項式コードとランダムなスケッチ
- Authors: Neophytos Charalambides, Arya Mazumdar,
- Abstract要約: 符号化コンピューティングは、符号化理論を用いてテキスト冗長性を導入し、大規模システムにおけるボトルネックを克服する分散パラダイムである。
同じ静脈において、ランダム化された数値線型代数は、線形代数演算のテキスト圧縮と加速に確率的手法を用いる。
本稿では、両分野の基礎を概観し、最適化と機械学習アルゴリズムの高速化の両手法を組み合わせた分散スキームについて述べる。
- 参考スコア（独自算出の注目度）: 22.19006991194303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coded computing is a distributed paradigm that uses coding theory to introduce \textit{redundancy} and overcome bottlenecks in large-scale systems. In the same vein, randomized numerical linear algebra employs probabilistic methods to \textit{compress} and accelerate linear algebraic operations, addressing challenges in high-dimensional data analysis. This article reviews the foundations of both fields and presents distributed schemes that combine techniques from both to speed up optimization and machine learning algorithms, in the presence of slow or non-responsive servers. Along the way, we touch on various related topics and mathematical concepts.
- Abstract（参考訳）: Coded Computing(コードコンピューティング)は、プログラミング理論を用いて、大規模システムにおけるボトルネックを克服する分散パラダイムである。
同じ静脈において、ランダム化された数値線型代数は、確率的手法を \textit{compress} に導入し、線形代数演算を加速し、高次元データ解析における課題に対処する。
この記事では、両方のフィールドの基礎をレビューし、遅いサーバや非応答性サーバの存在下で最適化と機械学習アルゴリズムの高速化の両方のテクニックを組み合わせた分散スキームを提示します。
その過程で、さまざまな関連するトピックや数学的概念に触れる。
関連論文リスト
- Topology Identification and Inference over Graphs [61.06365536861156]
グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。
本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
論文 参考訳（メタデータ） (2025-12-11T00:47:09Z) - Scalable Gaussian Processes: Advances in Iterative Methods and Pathwise Conditioning [0.26107298043931204]
この論文は、反復的手法と経路的条件付けの強力な組み合わせに焦点を当て、方法論的コントリビューションを開発する。
これら2つの手法を組み合わせることで、高価な計算を線形方程式系の解として表現し、反復線形系解法を利用して得られる。
これにより、メモリ要求が大幅に削減され、アプリケーションが大幅にデータ量を増やすことが容易になり、行列乗算が主計算演算として導入される。
論文 参考訳（メタデータ） (2025-07-09T13:39:37Z) - Similarity-based fuzzy clustering scientific articles: potentials and challenges from mathematical and computational perspectives [0.0]
ファジィクラスタリングは出版データを解析する上で重要な役割を果たす。
この問題は制約付き最適化モデルとして定式化することができ、このモデルの目的は、データから観測される類似性と予測された分布から導かれる類似性との差を最小限にすることである。
我々は、数学的および計算的視点からアプローチの可能性と課題を分析する。
論文 参考訳（メタデータ） (2025-06-04T15:10:31Z) - Optimal Transport for Machine Learners [23.03787751696068]
最適輸送は、最適化、偏微分方程式、確率を結合する基礎数学的理論である。
これらのコースノートは、Monge や Kantorovich の定式化を含む OT の基本的な数学的側面をカバーしている。
機械学習の応用には、勾配流によるニューラルネットワークのトレーニング、トランスフォーマーのトークンダイナミクス、GANと拡散モデルの構造などが含まれる。
論文 参考訳（メタデータ） (2025-05-10T10:35:03Z) - Recent and Upcoming Developments in Randomized Numerical Linear Algebra for Machine Learning [49.0767291348921]
RandNLA (Randomized Numerical Linear Algebra) は、ランダムネスを用いてユビキタス行列問題に対する改良アルゴリズムを開発する分野である。
この記事では、これらの開発状況を踏まえた自己完結したRandNLAの概要を紹介する。
論文 参考訳（メタデータ） (2024-06-17T02:30:55Z) - Randomized Polar Codes for Anytime Distributed Machine Learning [66.46612460837147]
本稿では,低速な計算ノードに対して堅牢で,線形演算の近似計算と精度の両立が可能な分散コンピューティングフレームワークを提案する。
本稿では,復号化のための計算複雑性を低く保ちながら,実数値データを扱うための逐次復号アルゴリズムを提案する。
大規模行列乗算やブラックボックス最適化など,様々な文脈において,このフレームワークの潜在的な応用を実証する。
論文 参考訳（メタデータ） (2023-09-01T18:02:04Z) - A Learning-Based Approach to Approximate Coded Computation [22.886991943938703]
我々は、LCCにインスパイアされたAI支援学習アプローチであるAICCを提案し、深層ニューラルネットワーク(DNN)も使用している。
より一般的な関数の符号化計算には適している。
論文 参考訳（メタデータ） (2022-05-19T19:43:53Z) - High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。
本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。
いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文 参考訳（メタデータ） (2022-02-25T16:35:26Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z)
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。