Videos de Conceptos Relacionados
Area Computation by the Alternative Coordinate Method
Design Example: Capacitance Multiplier Circuit
The circuit illustrated in Figure 1 below incorporates two op-amps, with the first operating as a voltage follower and the second acting as an inverting amplifier.
In Vitro Drug Dissolution: Alternative Methods
Linear Circuits
Alternative RNA Splicing
There are five types of alternative RNA splicing that vary in the ways the pre-mRNA segments are removed or retained in the mature mRNA. The first...
The Extracellular Matrix
También podría leer
Artículos Relacionados
Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.
Federated learning with randomized alternating direction method of multipliers and application in training neural networks.
Methodology considerations for 'Safety and effectiveness of cannabinoids to Danish patients with treatment-refractory chronic pain' by Horsted et al.
SpeedyIBL: A comprehensive, precise, and fast implementation of instance-based learning theory.
A multi-city urban atmospheric greenhouse gas measurement data synthesis.
Conditioned pain modulation is more efficient in patients with painful diabetic polyneuropathy than those with nonpainful diabetic polyneuropathy.
Quantitative Evaluation of Subglottic Stenosis Using Ultrashort Echo Time MRI in a Rabbit Model.
Granular Ball-Based Noise-Resistant Fuzzy Multineighborhood Feature Selection via Label Enhancement and Feature Graph.
Fighting Evolving Spam With ARTMAP Models: A Noise-Resilient Online Detection Framework.
HyperSAT: Unsupervised Hypergraph Neural Networks for Weighted MaxSAT Problems.
Negation of Basic Belief Assignment in Multisource Information Fusion on Dempster-Shafer Theory With Applications in Pattern Classification.
Intervention Feasible Region and Driver Risk Capacity Aware Human-Machine Collaborative Safe Trajectory Planning.
A Unified Differential Denoising Learning Framework With a Pre-Trained Model and Fuzzy Graph Networks for Drug-Drug Interaction Prediction.
Video Experimental Relacionado
Updated: Jan 23, 2026

Alternative Method of Removing Otoliths from Sturgeon
Published on: June 27, 2016
Un método multiplicador de dirección alternante linealizado para problemas de completación de matrices federadas
Este estudio presenta FedMC-ADMM, un nuevo método de completación de matrices federadas (MC) para la predicción de datos que preserva la privacidad. Maneja datos complejos de manera eficiente sin comprometer la privacidad del usuario, superando a los enfoques existentes.
Más Videos Relacionados
06:26Stereo-Imaging System DLT Calibration to Capture 3D In Situ Displacements of Stretched Peripheral Nerves
Published on: January 12, 2024
07:49Matrix-assisted Laser Desorption/Ionization Time of Flight MALDI-TOF Mass Spectrometric Analysis of Intact Proteins Larger than 100 kDa
Published on: September 9, 2013
Área de la Ciencia:
- Ciencias de la Computación
- Aprendizaje Automático
- Ciencia de Datos
Sus antecedentes:
- La completación de matrices (MC) es crucial para predecir datos faltantes en diversos campos.
- Los métodos tradicionales de MC enfrentan desafíos con el almacenamiento centralizado de datos, incluida la privacidad, la escalabilidad y la eficiencia.
- El aprendizaje federado (FL) ofrece una solución para el aprendizaje colaborativo en conjuntos de datos distribuidos sin compartir datos sin procesar.
Objetivo del estudio:
- Abordar los desafíos de la completación de matrices federadas (MC) en aplicaciones sensibles a la privacidad.
- Proponer un nuevo marco algorítmico, FedMC-ADMM, para resolver problemas de MC federadas.
- Proporcionar garantías teóricas para la MC federada con variables multiblock.
Principales métodos:
- Se desarrolló FedMC-ADMM, que combina el método de multiplicadores de dirección alternante (ADMM) con estrategias de coordenadas de bloque aleatorizadas y gradiente proximal.
- Diseñado para manejar problemas de optimización multiblock no convexos y no suaves inherentes a la MC federada.
- Se analizaron las propiedades teóricas de convergencia, estableciendo la convergencia subseqüencial y una tasa de convergencia de O(K^{-1/2}).
Principales resultados:
- FedMC-ADMM demuestra convergencia subsecuencial con una complejidad de comunicación de O(epsilon^{-2}).
- El algoritmo maneja eficazmente problemas de optimización multiblock no convexos y no suaves.
- Experimentos exhaustivos en los conjuntos de datos MovieLens y Netflix muestran que FedMC-ADMM supera a los métodos existentes en velocidad de convergencia y precisión.
Conclusiones:
- FedMC-ADMM ofrece una solución eficiente y privada para la completación de matrices federadas.
- Este trabajo proporciona las primeras garantías teóricas para la MC federada con variables multiblock.
- El método propuesto muestra mejoras significativas en el rendimiento para aplicaciones del mundo real.