1 / 5
文档名称:

具有隐私保护的无投影分布式在线学习算法.pdf

格式:pdf   大小:847KB   页数:5页
下载后只包含 1 个 PDF 格式的文档,没有任何的图纸或源代码,查看文件列表

如果您已付费下载过本站文档,您可以点这里二次下载

文档介绍:第 37 卷第 1 期 赤 峰 学 院 学 报 ( 自 然 科 学 版 ) Vol.37 No.1
2021 年 1 月 线变量[18],
规模网络。 多年来,人们提出了各种分布式在线优 并期望它能够通过使用线性最小化步骤来避免投
化算法。 例如,Akbari M,Gharesifard B 及 Linder L 影操作。矩阵学习[19],多类分类[20]和许多其他相关问
扩展了乘法器的交替方向法 (ADMM)[9],H. F. Xu, 题, 其中凸域是所有具有有界核范数的矩阵的集
Q. Ling 及 A. Ribeiro 提出了无向静态网络的分布 合, 投影运算相当于计算矩阵的全部的奇异值分
式在线优化算法[10]。 然而,基于 ADMM 的算法需要 解,过于复杂的操作,不能满足分布式在线学习中
在每次迭代时求解非线性次优问题,这带来了极高 局部计算的需要。 在上述情况下,线性步骤相当于
的计算量。 因此,引入了用于分布式在线优化问题 找到一个矩阵的最高奇异向量,这至少简单了一个
的原对偶算法及其改进方法[11,12]。 沿着这样的思路, 数量级。 然而,如何设计和分析这种变体仍然是一
A. Koppel,S. Paternain 和 H. Pradhan,A. S. Bedi 个开放的问题。
等人进一步开发了用于求解核希尔伯特空间的随 为了填补这一空白,我们提出了分布式在线条
机优化问题的分散在线算法 [13,14]。 最近,X. Yi,X. 件梯度(D-OCG)算法作为期望的变体。 该算法是对

收稿日期:2020-10-15
基金项目:安徽理工大学研究生创新基金项目(2019CX2066)
4-- 万方数据数理研究

以前的在线变体[21]的一种新的扩展,即每个本地节 算法产生的总代价与最优固定决策的代价之差最
T
点将自己的对偶变量与邻居进行交流,以实现相互 小。也就是说,如果在提前知道{fi,t} i=1 所有函数的情
协作。 我们针对一个多类分类任务, 评估 D-OCG 况下,累积收益应该尽可能接近最佳固定决策

分享好友

预览全文

具有隐私保护的无投影分布式在线学习算法.pdf

上传人:可卿 2022/1/16 文件大小:847 KB

下载得到文件列表

具有隐私保护的无投影分布式在线学习算法.pdf

相关文档