Non-Asymptotic Performance of Social Machine Learning Under Limited Data

要約

この論文では、ソーシャル機械学習フレームワークに関連するエラーの確率を研究します。このフレームワークには、独立したトレーニング フェーズとそれに続くグラフを使用した協調的な意思決定フェーズが含まれます。
このフレームワークは、ラベルのないデータのストリームを分散方式で分類するという問題に対処します。
この研究では、非漸近的なパフォーマンス分析を必要とする意思決定フェーズ中の限定された観察を使用して分類タスクを調べます。
一貫したトレーニングの条件を確立し、分類のエラー確率の上限を導き出します。
結果は、データの統計的特性への依存性と、グラフ上で使用された組み合わせポリシーを明らかにします。
また、ラベルのないサンプルの数に対するエラーの確率の指数関数的な減衰も確立します。

要約(オリジナル)

This paper studies the probability of error associated with the social machine learning framework, which involves an independent training phase followed by a cooperative decision-making phase over a graph. This framework addresses the problem of classifying a stream of unlabeled data in a distributed manner. In this work, we examine the classification task with limited observations during the decision-making phase, which requires a non-asymptotic performance analysis. We establish a condition for consistent training and derive an upper bound on the probability of error for classification. The results clarify the dependence on the statistical properties of the data and the combination policy used over the graph. They also establish the exponential decay of the probability of error with respect to the number of unlabeled samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google