分布式异步学习向量量化算法的收敛性
统计理论
2011-11-30 v2 统计理论
摘要
受在超大数据集上有效执行聚类算法问题的启发，我们研究了一个大规模分布式聚类方法的模型。为此，我们简要回顾了量化问题的一些标准以及竞争学习向量量化(CLVQ)过程几乎必然收敛的一些结果。还讨论了一个适用于多种并行计算架构的线性分布式异步算法通用模型。我们的方法将这一可扩展模型与CLVQ算法相结合，并将所得技术称为分布式异步学习向量量化算法(DALVQ)。对DALVQ算法的几乎必然收敛性进行了深入分析。一个引人注目的结果是，我们证明了并行架构中分布在多个处理器上的量化器的多个版本几乎必然渐近达成共识。此外，我们还表明这些版本几乎必然收敛到量化准则的同一个接近最优的值。
引用
@article{arxiv.1012.5150,
title = {Convergence of distributed asynchronous learning vector quantization algorithms},
author = {Benoît Patra},
journal= {arXiv preprint arXiv:1012.5150},
year = {2011}
}