ترجمه فارسی مقاله یادگیری مشارکتی با نمایش های خطی مشترک: نرخ های آماری و الگوریتم های بهینه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Collaborative Learning with Shared Linear Representations: Statistical Rates and Optimal Algorithms
عنوان مقاله به فارسی یادگیری مشارکتی با نمایش های خطی مشترک: نرخ های آماری و الگوریتم های بهینه
نویسندگان Xiaochun Niu, Lili Su, Jiaming Xu, Pengkun Yang
فرمت مقاله انگلیسی PDF
تعداد صفحات 34
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 7 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال 7 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

Collaborative learning enables multiple clients to learn shared feature representations across local data distributions, with the goal of improving model performance and reducing overall sample complexity. While empirical evidence shows the success of collaborative learning, a theoretical understanding of the optimal statistical rate remains lacking, even in linear settings. In this paper, we identify the optimal statistical rate when clients share a common low-dimensional linear representation. Specifically, we design a spectral estimator with local averaging that approximates the optimal solution to the least squares problem. We establish a minimax lower bound to demonstrate that our estimator achieves the optimal error rate. Notably, the optimal rate reveals two distinct phases. In typical cases, our rate matches the standard rate based on the parameter counting of the linear representation. However, a statistical penalty arises in collaborative learning when there are too many clients or when local datasets are relatively small. Furthermore, our results, unlike existing ones, show that, at a system level, collaboration always reduces overall sample complexity compared to independent client learning. In addition, at an individual level, we provide a more precise characterization of when collaboration benefits a client in transfer learning and private fine-tuning.

چکیده به فارسی (ترجمه ماشینی)

یادگیری مشارکتی چندین مشتری را قادر می سازد تا بازنمایی های ویژگی مشترک را در توزیع داده های محلی با هدف بهبود عملکرد مدل و کاهش پیچیدگی نمونه کلی ، بیاموزند.در حالی که شواهد تجربی موفقیت یادگیری مشارکتی را نشان می دهد ، درک نظری از نرخ آماری بهینه حتی در تنظیمات خطی نیز وجود ندارد.در این مقاله ، ما نرخ آماری بهینه را مشخص می کنیم که مشتری ها یک نمایش خطی کم بعدی مشترک را به اشتراک می گذارند.به طور خاص ، ما یک برآوردگر طیفی را با میانگین محلی طراحی می کنیم که راه حل بهینه را برای کمترین مشکل مربع تقریبی می کند.ما یک محدوده پایین تر را تعیین می کنیم تا نشان دهیم که برآوردگر ما به نرخ خطای بهینه دست می یابد.نکته قابل توجه ، نرخ بهینه دو مرحله مجزا را نشان می دهد.در موارد معمولی ، نرخ ما بر اساس شمارش پارامتر نمایندگی خطی با نرخ استاندارد مطابقت دارد.با این حال ، یک مجازات آماری در یادگیری مشارکتی ایجاد می شود که مشتری های زیادی وجود داشته باشد یا مجموعه داده های محلی نسبتاً اندک باشد.علاوه بر این ، نتایج ما ، برخلاف نتایج موجود ، نشان می دهد که ، در یک سطح سیستم ، همکاری همیشه پیچیدگی نمونه کلی را در مقایسه با یادگیری مشتری مستقل کاهش می دهد.علاوه بر این ، در یک سطح فردی ، ما توصیف دقیق تری از وقتی که همکاری از مشتری در یادگیری انتقال و تنظیم دقیق خصوصی بهره می برد ، ارائه 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.