Distributed support vector machines over dynamic balanced directed networks

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

25 Lataukset (Pure)

Abstrakti

In this letter, we consider the binary classification problem via distributed Support Vector Machines (SVMs), where the idea is to train a network of agents, with limited share of data, to cooperatively learn the SVM classifier for the global database. Agents only share processed information regarding the classifier parameters and the gradient of the local loss functions instead of their raw data. In contrast to the existing work, we propose a continuous-time algorithm that incorporates network topology changes in discrete jumps. This hybrid nature allows us to remove chattering that arises because of the discretization of the underlying CT process. We show that the proposed algorithm converges to the SVM classifier over time-varying weight balanced directed graphs by using arguments from the matrix perturbation theory.

AlkuperäiskieliEnglanti
Artikkeli9446550
Sivut758-763
Sivumäärä6
JulkaisuIEEE Control Systems Letters
Vuosikerta6
Varhainen verkossa julkaisun päivämääräkesäkuuta 2021
DOI - pysyväislinkit
TilaSähköinen julkaisu (e-pub) ennen painettua julkistusta - kesäkuuta 2021
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki

Sukella tutkimusaiheisiin 'Distributed support vector machines over dynamic balanced directed networks'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä