BriefGPT - AI 论文速递
·
最小通信成本的统计学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文研究了分布在多个机器上的数据的非参数平滑函数估计问题。研究结果显示，在不同的设置下，统计风险的渐近下限和匹配上限有所不同。当通信预算很小时，统计风险仅取决于通信瓶颈，而与样本量无关。在通信预算很大的情况下，与非分布式估计的经典极小风险相同。在一种中间机制中，统计风险取决于样本大小和通信预算。
🎯
关键要点
- 研究了分布在多个机器上的数据的非参数平滑函数估计问题。
- 每个机器上收集了来自白噪声模型的独立样本。
- 需要在中央机器上构建潜在真实函数的估计值。
- 限制了传输信息所需的比特数。
- 给出了统计风险的渐近下限和匹配上限。
- 确定了通信预算、机器数和每台机器上可用数据大小的三个区别。
- 当通信预算很小时，统计风险仅取决于通信瓶颈，与样本量无关。
- 在通信预算很大的情况下，统计风险与非分布式估计的经典极小风险相同。
- 在中间机制中，统计风险取决于样本大小和通信预算。
➡️
