Iteration acceleration for distributed learning systems

در طول اجرای الگوریتم های یادگیری ماشین تکراری برای بهینه سازی عملکرد هدف در محدوده توزیع مقیاس بزرگ، می توان آنها را هنگامی که برخی از ماشین های شکست خورده، مسدود شده است. در این مقاله یک رویکرد هیبریدی برای تعادل عملکرد و کارایی پیشنهاد شده است. در هر تکرار نتایج حاصل از دستگاه های شکست خورده رها شده اند. ما در مورد رابطه بین دقت و میزان رها شدن بحث خواهیم کرد که می تواند به صورت نابرابری صورت پذیرد. استدلال می شود که سرعت این فرایند بسیار موثر و کارآمد است. الگوریتم با استفاده از محیط واقعی توزیع شده نشان داده شده و بهبود قابل توجهی از نتایج سرعت را نشان می دهد.