ترجمه فارسی مقاله تجزیه و تحلیل عمیق فاکتورسازی ماتریس رتبه پایین در یک محیط فدرال

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی In-depth Analysis of Low-rank Matrix Factorisation in a Federated Setting
عنوان مقاله به فارسی تجزیه و تحلیل عمیق فاکتورسازی ماتریس رتبه پایین در یک محیط فدرال
نویسندگان Constantin Philippenko, Kevin Scaman, Laurent Massoulié
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Optimization and Control,یادگیری ماشین , بهینه سازی و کنترل ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We analyze a distributed algorithm to compute a low-rank matrix factorization on $N$ clients, each holding a local dataset $\mathbf{S}^i \in \mathbb{R}^{n_i \times d}$, mathematically, we seek to solve $min_{\mathbf{U}^i \in \mathbb{R}^{n_i\times r}, \mathbf{V}\in \mathbb{R}^{d \times r} } \frac{1}{2} \sum_{i=1}^N \|\mathbf{S}^i - \mathbf{U}^i \mathbf{V}^\top\|^2_{\text{F}}$. Considering a power initialization of $\mathbf{V}$, we rewrite the previous smooth non-convex problem into a smooth strongly-convex problem that we solve using a parallel Nesterov gradient descent potentially requiring a single step of communication at the initialization step. For any client $i$ in $\{1, \dots, N\}$, we obtain a global $\mathbf{V}$ in $\mathbb{R}^{d \times r}$ common to all clients and a local variable $\mathbf{U}^i$ in $\mathbb{R}^{n_i \times r}$. We provide a linear rate of convergence of the excess loss which depends on $σ_{\max} / σ_{r}$, where $σ_{r}$ is the $r^{\mathrm{th}}$ singular value of the concatenation $\mathbf{S}$ of the matrices $(\mathbf{S}^i)_{i=1}^N$. This result improves the rates of convergence given in the literature, which depend on $σ_{\max}^2 / σ_{\min}^2$. We provide an upper bound on the Frobenius-norm error of reconstruction under the power initialization strategy. We complete our analysis with experiments on both synthetic and real data.

چکیده به فارسی (ترجمه ماشینی)

ما یک الگوریتم توزیع شده را برای محاسبه یک فاکتورسازی ماتریس پایین در مشتری $ n $ تجزیه و تحلیل می کنیم ، هر کدام یک مجموعه داده محلی $ \ mathbf {s}^i \ I in \ mathbb {r}^{n_i \ times d} $ ، ریاضی ، از نظر ریاضی ، از نظر ریاضی ،ما به دنبال حل $ min _ {\ mathbf {u}^i \ i \ intbb {r}^{n_i \ times r} ، \ mathbf {v} \ in \ mathbb {r}^{d \ times r}}}} \frac {1} {2} \ sum_ {i = 1}^n \ | \ mathbf {s}^i - \ mathbf {u}^i \ mathbf {v}^\ top \ |^2 _ {\ text {f f}} $.با توجه به اولیه سازی قدرت از $ \ Mathbf {V} $ ، ما مشکل قبلی صاف غیر Convex را در یک مشکل صاف و محکم که با استفاده از یک نزول شیب موازی نستروف حل می کنیم ، بازنویسی می کنیم که به طور بالقوه نیاز به یک مرحله واحد ارتباطات در مرحله اولیه سازی دارد.برای هر مشتری $ i $ در $ \ {1 ، \ dots ، n \} $ ، ما یک $ $ \ mathbf {v} $ در $ \ mathbb {r}^{d \ times r} $ مشترک برای همه مشتریان به دست می آوریم.و یک متغیر محلی $ \ mathbf {u}^i $ در $ \ mathbb {r}^{n_i \ times r} $.ما یک نرخ خطی از همگرایی ضرر اضافی را ارائه می دهیم که به $ σ _ {\ max} / σ_ {r} $ بستگی دارد ، جایی که $ σ_ {r} $ $ r^{\ mathrm {th}} $ ارزش مفرد استConcatenation $ \ Mathbf {s} $ از ماتریس $ (\ Mathbf {s}^i) _ {i = 1}^n $.این نتیجه نرخ همگرایی داده شده در ادبیات را بهبود می بخشد ، که به $ σ _ {\ max}^2 / σ _ {\ min}^2 $ بستگی دارد.ما یک خط فوقانی در خطای Frobenius-Norm بازسازی تحت استراتژی اولیه سازی قدرت ارائه می دهیم.ما تجزیه و تحلیل خود را با آزمایش در مورد داده های مصنوعی و واقعی انجام می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.