Learning with Vertically-Partitioned Data, Binary Feedback, and Random Parameter Update

Ngu Nguyen, Stephan Sigg

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

102 Lataukset (Pure)

Abstrakti

Machine learning models can deal with data samples scattered among distributed agents, each of which holds a nonoverlapping set of sample features. In this paper, we propose a training algorithm that does not require communication between these agents. A coordinator can access ground-truth labels and produces binary feedback to guide the optimization process towards optimal model parameters. We mimic the gradient descent technique with information observed locally at each agent. We experimented with the logistic regression model on multiple benchmark datasets and achieves promising results in terms of convergence rate and communication load.

AlkuperäiskieliEnglanti
OtsikkoINFOCOM 2019 - IEEE Conference on Computer Communications Workshops, INFOCOM WKSHPS 2019
KustantajaIEEE
Sivut578-583
Sivumäärä6
ISBN (elektroninen)9781728118789
DOI - pysyväislinkit
TilaJulkaistu - 1 huhtik. 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaIEEE Conference on Computer Communications - Paris, Ranska
Kesto: 29 huhtik. 20192 toukok. 2019
Konferenssinumero: 38

Julkaisusarja

NimiIEEE Conference on Computer Communications
ISSN (painettu)0743-166X

Conference

ConferenceIEEE Conference on Computer Communications
LyhennettäINFOCOM
Maa/AlueRanska
KaupunkiParis
Ajanjakso29/04/201902/05/2019

Sormenjälki

Sukella tutkimusaiheisiin 'Learning with Vertically-Partitioned Data, Binary Feedback, and Random Parameter Update'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä