Peer-to-Peer節點的機器學習算法

Question

我想將機器學習應用於並行環境中的分類問題。幾個獨立的節點，每個節點都有多個開/關傳感器，可以根據啓發式，訓練數據或兩者定義的事件分類目標來傳送其傳感器數據。

每個對等體將從其獨特的角度測量相同的數據，並嘗試對結果進行分類，同時考慮到任何相鄰節點（或其傳感器或僅與節點的連接）可能發生故障。節點應該作爲平等的同伴，並通過傳達結果來確定最可能的分類。

最終，每個節點都應根據自己的傳感器數據和對等方的數據做出決定。如果重要，對於某些分類來說誤報是可以的（雖然不合要求），但是假陰性是完全不可接受的。

鑑於每個最終分類都會收到好的或壞的反饋，如果節點可以相互通信以確定最可能的分類，那麼如何解決這個問題將會是一個合適的機器學習算法？

Answer 1

如果每個節點中的傳感器數據通常足以作出合理的決定，他們可以傳達結果並進行多數表決。如果多數票不合適，您可以訓練一個額外的分類器，它使用節點的輸出作爲其特徵向量。

由於您希望通過反饋進行在線監督學習，因此您可以使用帶反向傳播的神經網絡或增量式支持向量機將錯誤添加到訓練集中。研究分類器偏置來處理假陽性/假陰性的折衷。

Answer 2

在這種情況下，neural network可能是非常合適的。網絡的輸入將是節點上的每個傳感器以及其鄰居的傳感器。你會根據你的反饋來計算權重。

另一種選擇（即更簡單，但也可以取得良好效果）是Gossip Algorithm。儘管如此，你將不得不考慮納入反饋。