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

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussavertaisarvioitu

Tutkijat

Organisaatiot

Kuvaus

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.

Yksityiskohdat

AlkuperäiskieliEnglanti
OtsikkoINFOCOM 2019 - IEEE Conference on Computer Communications Workshops, INFOCOM WKSHPS 2019
TilaJulkaistu - 1 huhtikuuta 2019
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE Conference on Computer Communications - Paris, Ranska
Kesto: 29 huhtikuuta 20192 toukokuuta 2019

Julkaisusarja

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

Conference

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

ID: 38265139