論文の概要: Autonomous Collaborative Learning Among an Ensemble of Tsetlin Machines with Consensus-Based Inference

• arxiv url: http://arxiv.org/abs/2607.20124v1
• Date: Wed, 22 Jul 2026 13:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.090397
• Title: Autonomous Collaborative Learning Among an Ensemble of Tsetlin Machines with Consensus-Based Inference
• Title（参考訳）: 合意に基づく推論を用いたテセリンマシンの集合における自律的協調学習
• Abstract要約: 本稿では,Tsetlin Machines のアンサンブル間の垂直的特徴分割設定下での協調学習のパラダイムを提案する。 推論は、個々のエージェントモデル予測をグローバルコンセンサスに結合する。 このパラダイムは、異なるデータ取得手段、ローカルデータ分散、あるいは計算資源を持つ異種TMベースのエージェントに対応している。
• 参考スコア（独自算出の注目度）: 46.12467176966072
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tsetlin Machine (TM) is a rule-based machine-learning algorithm comprising collectives of two-action Tsetlin Automata (TAs) that cooperatively form conjunctive logical clauses from Boolean inputs through stochastic feedback. Although few recent studies have examined TM Federated Learning, the broader area of distributed and decentralized TM learning has not received much attention in the existing literature and warrants further exploration. In this work, we propose a paradigm for decentralized collaborative learning under a vertical feature-partitioning setting among an ensemble of Tsetlin Machines using consensus-based inference. Within this decentralized paradigm, each agent maintains its own private TM model, and there is no exchange of raw data among agents. Inference combines individual agents model predictions into a global consensus. The paradigm accommodates heterogeneous TM-based agents with differing data acquisition means, local data distributions, or computational resources, thereby facilitating the integration and fusion of information in settings such as multi-modal sensing environments. Experiments conducted using two-dimensional grid and connected graph network topologies demonstrate that the classification accuracies achieved are comparable to those of centralized models.
• Abstract（参考訳）: Tsetlin Machine (TM) は、2アクションのTsetlin Automata (TA) の集合からなるルールベースの機械学習アルゴリズムである。 近年のTMフェデレーション学習の研究はほとんど行われていないが、分散学習と分散学習の幅広い領域は、既存の文献や令状にはあまり注目されていない。 本研究では,コンセンサスに基づく推論を用いて,Tsetlin Machineのアンサンブル間の垂直的特徴分割設定下での分散協調学習のパラダイムを提案する。 この分散化パラダイムの中で、各エージェントは独自のプライベートTMモデルを保持しており、エージェント間で生データの交換は行わない。 推論は、個々のエージェントモデル予測をグローバルコンセンサスに結合する。 このパラダイムは、異なるデータ取得手段、ローカルデータ分散、あるいは計算資源を持つ異種TMベースのエージェントに対応し、マルチモーダルセンシング環境などの設定における情報の統合と統合を容易にする。 2次元グリッドと連結グラフネットワークトポロジーを用いて行った実験は、得られた分類精度が集中型モデルに匹敵することを示した。

関連論文リスト

• Event-Triggered Gossip for Distributed Learning [61.70659996356528]
  我々は,ノード間通信を減らすために,分散学習のためのイベントトリガー型ゴシップフレームワークを開発した。 従来のフルテキスト・オブ・ザ・アート分散学習法と比較して,bf71.61%を限界性能損失のみで分析する。
  論文  参考訳（メタデータ） (2026-02-22T10:13:43Z)
• Osmotic Learning: A Self-Supervised Paradigm for Decentralized Contextual Data Representation [1.5329374712396715]
  本稿では,分散データから高レベルの潜伏知識を明らかにするために,自己教師型分散学習パラダイムであるOSM-Lを紹介する。 OSM-Lは局所データ表現を反復的に整列し、情報拡散と収束を可能にする。 実験により,OSM-Lのコンバージェンスと表現能力を構造化データセット上で確認した。
  論文  参考訳（メタデータ） (2025-12-28T22:25:16Z)
• Beyond Centralization: Provable Communication Efficient Decentralized Multi-Task Learning [7.147459905796264]
  特徴が低ランク構造を共有する分散マルチタスク表現学習について検討する。 分散環境では、タスクデータは複数のノードに分散され、ノード間の情報交換は通信ネットワークによって制限される。
  論文  参考訳（メタデータ） (2025-12-27T18:44:43Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• DIMAT: Decentralized Iterative Merging-And-Training for Deep Learning Models [21.85879890198875]
  Decentralized Iterative Merging-And-Training (DIMAT) は、新しい分散深層学習アルゴリズムである。 DIMATは, 独立・同一分散(IID)および非IIDデータを用いて, 通信オーバヘッドの低減を図ることにより, より高速かつ高い初期ゲインが得られることを示す。 このDIMATパラダイムは未来の分散学習に新たな機会を与え、疎結合な通信計算で現実世界への適応性を高める。
  論文  参考訳（メタデータ） (2024-04-11T18:34:29Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• Decentralized Event-Triggered Federated Learning with Heterogeneous Communication Thresholds [12.513477328344255]
  ネットワークグラフトポロジ上での非同期なイベントトリガーによるコンセンサス反復による分散モデルアグリゲーションのための新しい手法を提案する。 本手法は,分散学習とグラフコンセンサス文学における標準的な仮定の下で,グローバルな最適学習モデルを実現することを実証する。
  論文  参考訳（メタデータ） (2022-04-07T20:35:37Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Cross-Gradient Aggregation for Decentralized Learning from Non-IID data [34.23789472226752]
  分散学習により、コラボレーションエージェントのグループは、中央パラメータサーバーを必要とせずに、分散データセットを使用してモデルを学ぶことができる。 本稿では,新たな分散学習アルゴリズムであるクロスグラディエント・アグリゲーション(CGA)を提案する。 既存の最先端の分散学習アルゴリズムよりも優れたCGA学習性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T21:58:12Z)

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。