Distributed machine learning in networks by consensus

ما یک الگوریتم برای یادگیری از داده های توزیع شده در شبکه ای از دستگاه های متصل به طور داوطلبانه بدون تبادل نقاط داده پیشنهاد می کنیم. بخشی از مجموعه داده ها به صورت محلی در هر دستگاه پردازش می شود و سپس الگوریتم ارتباط اجتنابی برای تحکیم نتایج استفاده می شود. این فرایند دو مرحلهای تکراری همگرا است به طوری که تمام مجموعه داده ها بر روی یک دستگاه واحد قرار داشته باشند. مشارکت اصلی این مقاله اثبات همگرایی فرایند یادگیری توزیع شده در مورد کلی است که الگوریتم یادگیری یک انقباض است. علاوه بر این، ما معادله توزیع توزیع یک شبکه عصبی خوراک پیشین را با هدف بازگشت نتایج به دست می آوریم. ما یک مثال طبقه بندی اسباب بازی و مجموعه داده های طبقه بندی دودویی واقعی جهان را به کار می بریم.