Please enable JavaScript.
Coggle requires JavaScript to display documents.
RD-FM: Algoritmo de Máquinas de Fatoração Distribuído e Resiliente (2…
RD-FM: Algoritmo de Máquinas de Fatoração Distribuído e Resiliente
1 Introdução
1.2 Organização
1.1 Objetivos
2 Conceitos Básicos
2.1 Filtros Colaborativos
2.1.1 Filtro Colaborativo baseado em usuário
2.1.2 Filtro Colaborativo baseado em itens
2.13 Filtro Colaborativo baseado em Conteúdo
2.1.4 Cold-start
2.2 Características Latentes e Matrizes de Fatoração(?)
2.2.1 SVD Singular Value Decomposition
2.4 Tolerância a Faltas
2.3 Aprendizado de Máquina Distribuído
2.5 Erros, Falhas e Faltas
2.6 Tipos de Faltas
2.6.1 Faltas bizantinas
2.7 Aprendizado de Máquina
2.7.1 Otimização não convexa e mínimos locais
2.8 Máquinas de Fatoração
2.8.1 Vantagens das Máquinas de Fatoração
2.8.2 Desvantagens das máquinas de fatoração
2.8.3 Conclusões
3 Trabalhos Relacionados
3.1 RD-SVM
3.1.1 Support Vector Machines
3.1.2 Consenso Médio Distribuído
3.1.3 Arquitetura de rede no RD-SVM
3.1.4 Tolerância a faltas no RD-SVM
3.2 DiFacto
3.2.1 Aprimorando as Máquinas de Fatoração
3.3 Machine Learning with Adversaries Byzantine Tolerant Gradient Descent
3.3.1 Algoritmo de Krum
3.3.2 Algoritmo de Multi-Krum
3.4 Scaling Distributed Machine Learning with the Parameter Server
3.4.1 Estruturação: Grupos de trabalho
3.4.2 Consistência Flexível
3.5 Comparações
3.6 Considerações Finais
3.? Algoritmos de Gradiente Descendente
3.?.1 Adagrad
3.?.4 Adam
3.?.5 Adamax
3.? Vanilla Gradient Descent
3.? Loss Functions
3.?.2 Adadelta
3.?.6 AMSgrad
3.?.3 RMSprop
4 Proposta RD-FM Resilient Distributed Factorization Machines
4.1 Formalização
4.2.1 Mínimos locais e hiperparâmetros
4.2.2 Escalabilidade contexto de esparsidade
4.2.3 Validação de parâmetros
4.2 RD-FM Arquitetura
4.3 Tardigrade - Tolerância a Faltas Bizantinas
Performance Evaluation
Conclusions
Contribuições Científicas
Projetos futuros
?. Red And Blue: Optimizing classification surface
?.1 Classes desbalanceadas
?.2 Trabalhos relacionados