Jelenlegi hely
Kutatószeminárium
A teljesen elosztott tanuló algoritmusok nagyon érzékenyek a nyers adat jellemzőinek darabszámára, méghozzá oly módon, hogy az ilyen jelenség magas kommunikációs költséget eredményez. Ami a legrosszabb esetben akár teljesen meg is akaszthatja az elosztott tanulást. A megoldás erre a dimenzió csökkentő eljárások, amelyek tömörítik az adatot, így kisebb modellek érhetőek el. A cél, hogy úgy csökkentsük a jellemzők számát, hogy közben minimalizáljuk az információ veszteséget. Az előadásom során különböző hatékony teljesen elosztott dimenzió csökkentő eljárásokat mutatok be. Az egyik ilyen eljárás a korábbi munkákból ismertetett SVD felbontáson alapuló módszer, a másik pedig a legjobb véletlen projekció keresése. Ezen felül bemutatom az előbbi két módszerből előállított hybrid módszert is, amely egyesíteni tudja a két módszer előnyeit. A kiértékelések során okostelefonokon mért valós trace alapján szimuláljuk a hálózati pontok elérhetőségét. A különböző területekről (szöveges, képi, aktivitás) vett közismert adathalmazokon elért eredményeket az előadásom során ismertetem.