Gossiped and Quantized Online Multi-Kernel Learning
Gossiped and Quantized Online Multi-Kernel Learning
复制标题
八卦和量化在线多内核学习
DOI：
10.1109/lsp.2023.3268988
复制
发表时间：
2023
影响因子：
3.9
通讯作者：
Jafarkhani, Hamid
中科院分区：
文献类型：
--
作者：
Ortega, Tomas;Jafarkhani, Hamid
在几乎没有先验信息可用并且集中式学习不可行的在线内核学习的情况下，过去的研究已经表明，只要网络中的每对节点都可以通信（即，通信网络是完整的图）。此外，为了管理通信负载（这通常是性能瓶颈），可以量化节点之间的通信。这封信将这些结果扩展到非全连接图，这在无线传感器网络中经常发生。为了解决这一挑战，我们提出了一个八卦算法，并提供了一个证明，它实现了次线性遗憾。用真实的数据集进行的实验证实了我们的发现。
In instances of online kernel learning where little prior information is available and centralized learning is unfeasible, past research has shown that distributed and online multi-kernel learning provides sub-linear regret as long as every pair of nodes in the network can communicate (i.e., the communications network is a complete graph). In addition, to manage the communication load, which is often a performance bottleneck, communications between nodes can be quantized. This letter expands on these results to non-fully connected graphs, which is often the case in wireless sensor networks. To address this challenge, we propose a gossip algorithm and provide a proof that it achieves sub-linear regret. Experiments with real datasets confirm our findings.
影响因子：
11.2
作者：
Savazzi, Stefano;Nicoli, Monica;Barbieri, Luca
通讯作者：
Barbieri, Luca
DOI：
--
发表时间：
2017-12
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
Yanning Shen;Tianyi Chen;G. Giannakis
通讯作者：
Yanning Shen;Tianyi Chen;G. Giannakis
DOI：
10.1109/tkde.2022.3172687
发表时间：
2023-06
影响因子：
8.9
作者：
Chang Tang;Zhenglai Li;J. Wang;Xinwang Liu;Wei Zhang;En Zhu
通讯作者：
Chang Tang;Zhenglai Li;J. Wang;Xinwang Liu;Wei Zhang;En Zhu