Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Effect of Network Topolog… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Effect of Network Topology on the Performance of ADMM-Based SVMs

Paper i proceeding
Författare Shirin Tavara
Alexander Schliep
Publicerad i 30th International Symposium on Computer Architecture and High Performance Computing, {SBAC-PAD} 2018, Lyon, France, September 24-27, 2018
ISBN 978-1-5386-7769-8
Förlag IEEE
Publiceringsår 2018
Publicerad vid Institutionen för data- och informationsteknik, datorteknik (GU)
Språk en
Länkar doi.org/10.1109/CAHPC.2018.8645857
Ämnesord ADMM, SVMs, Expander Graphs, Distributed Optimization, Convergence
Ämneskategorier Datavetenskap (datalogi)

Sammanfattning

Alternating Direction Method Of Multipliers (ADMM) is one of the promising frameworks for training Support Vector Machines (SVMs) on large-scale data in a distributed manner. In a consensus-based ADMM, nodes may only communicate with one-hop neighbors and this may cause slow convergence. In this paper, we investigate the impact of network topology on the convergence speed of ADMM-based SVMs using expander graphs. In particular, we investigate how much the expansion property of the network influence the convergence and which topology is preferable. Besides, we supply an implementation making these theoretical advances practically available. The results of the experiments show that graphs with large spectral gaps and higher degrees exhibit accelerated convergence.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?