دانلود ترجمه مقاله یادگیری توزیع شده شبکه عصبی عمیق در سیستم چند عاملی

1. مقدمه 2. کارهای مرتبط 3. نظریه 4. مجموعه داده ها و پیاده سازی 5. آزمایشات و کاربردها 6. نتیجه گیری و دستورالعمل های آتی

چکیده – در حوزه هایی نظیر مراقبت های بهداشتی و مالی، کمبود داده های برچسب دار و منابع محاسباتی مساله مهمی در توسعه الگوریتم‌های یادگیری ماشین است. برای حل مسئله کمبود داده های برچسب دار در آموزش و استقرار سیستم های مبتنی بر شبکه عصبی، روش جدیدی برای آموزش شبکه های عصبی عمیق در چندین منبع داده ارائه شده است. روش ما امکان آموزش شبکه های عصبی عمیق را با استفاده از داده هایی با ماهیت های متعدد به صورت توزیع شده فراهم می کند. ما الگوریتم خود را بر روی مجموعه داده های موجود ارزیابی کرده و نشان می دهیم که دارای عملکردی مشابه شبکه عصبی منظم آموزش دیده روی یک ماشین منفرد است. همچنین آنرا گسترش می دهیم تا هنگام آموزش با چند نمونه برچسب زده شده، یادگیری نیمه نظارت شده را در آن بگنجانیم و هر گونه نگرانی امنیتی را كه ممكن است ایجاد شود را تجزیه و تحلیل كنیم. الگوریتم ما راه را برای آموزش توزیع شده شبکه های عصبی عمیق در برنامه های حساس به داده ها هنگامی که ممکن است داده های خام مستقیماً به اشتراک گذاشته نشوند هموار می کند. مقدمه: شبکه های عصبی عمیق در طبقه بندی و پیش بینی داده هایی با ابعاد بالا مانند تصاویر ، فیلم ها و حسگرهای زیستی به پیشرفته ترین تکنولوژی تبدیل شده اند. فن آوری های نوظهور در حوزه هایی مانند سلامت و بیوپزشکی از ایجاد شبکه‌های عصبی عمیق برای پیش‌بینی و استنتاج از طریق خودکارسازی فعالیت‌های انسانی و کاهش هزینه بهره‌برداری بهره می‌برند. با این حال، آموزش شبکه‌های عصبی عمیق می‌تواند حاوی داده های فشرده باشد که نیازمند تهیه مجموعه داده‌های گسترده جمع آوری شده از واحدهای مختلف است (چروناک و همکاران ،2000 ،چوانگ و سیربو ، 2000). یک شبکه عصبی عمیق معمولاً شامل میلیون ها پارامتر است و برای آموزش به قدرت محاسباتی فوق العاده ای نیازمند است و آموزش انباره داده های فردی را با مشکل مواجه می کند.

In domains such as health care and finance, shortage of labeled data and computational resources is a critical issue while developing machine learning algorithms. To address the issue of labeled data scarcity in training and deployment of neural network-based systems, we propose a new technique to train deep neural networks over several data sources. Our method allows for deep neural networks to be trained using data from multiple entities in a distributed fashion. We evaluate our algorithm on existing datasets and show that it obtains performance which is similar to a regular neural network trained on a single machine. We further extend it to incorporate semi-supervised learning when training with few labeled samples, and analyze any security concerns that may arise. Our algorithm paves the way for distributed training of deep neural networks in data sensitive applications when raw data may not be shared directly. Introduction: Deep neural networks have become the new state of the art in classification and prediction of high dimensional data such as images, videos and bio-sensors. Emerging technologies in domains such as biomedicine and health stand to benefit from building deep neural networks for prediction and inference by automating the human involvement and reducing the cost of operation. However, training of deep neural nets can be extremely data intensive requiring preparation of large scale datasets collected from multiple entities (Chervenak et al., 2000; Chuang and Sirbu, 2000). A deep neural network typically contains millions of parameters and requires tremendous computing power for training, making it difficult for individual data repositories to train them.

این مقاله می تواند برای درس شبکه های کامپیوتری و سیستم های توزیع شده مناسب باشد. ترجمه این مقاله در 19 صفحه آماده شده و در ادامه نیز صفحه 6 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.