Algorithme d'apprentissage machine pour les nœuds pair à pair

Question

Je souhaite appliquer l'apprentissage automatique à un problème de classification dans un environnement parallèle. Plusieurs noeuds indépendants, chacun avec plusieurs capteurs marche/arrêt, peuvent communiquer leurs données de capteur dans le but de classifier un événement tel que défini par une heuristique, des données d'entraînement ou les deux. Chaque homologue mesurera les mêmes données de son point de vue unique et tentera de classifier le résultat tout en tenant compte du fait que tout noeud voisin (ou ses capteurs ou simplement la connexion au noeud) pourrait être défectueux. Les nœuds devraient fonctionner comme des pairs égaux et déterminer la classification la plus probable en communiquant leurs résultats. En fin de compte, chaque nœud devrait prendre une décision en fonction de ses propres données de capteur et des données de ses homologues. Si c'est important, les faux positifs sont acceptables pour certaines classifications (quoique indésirables), mais les faux négatifs seraient totalement inacceptables. Etant donné que chaque classification finale recevra une bonne ou une mauvaise évaluation, quel serait un algorithme d'apprentissage automatique approprié pour aborder ce problème si les nœuds pouvaient communiquer entre eux pour déterminer la classification la plus probable?

Answer 1

Si les données de capteur dans chaque noeud individuel sont généralement suffisantes pour prendre une décision raisonnable, ils peuvent simplement communiquer le résultat et prendre un vote majoritaire. Si le vote majoritaire n'est pas approprié, vous pouvez former un classificateur supplémentaire qui utilise les sorties des nœuds comme vecteur de caractéristiques. Puisque vous voulez avoir un apprentissage supervisé en ligne avec rétroaction, vous pouvez utiliser un réseau de neurones avec rétropropagation ou une machine à vecteur de support incrémental qui ajoute les erreurs à l'ensemble d'apprentissage. Examinez le biais du classificateur pour faire face à un compromis faux-positif/faux-négatif.

Answer 2

Dans ce cas, un neural network pourrait être très approprié. Les entrées du réseau seraient chacune des capteurs embarqués sur le nœud, avec ceux de ses voisins. Vous calculeriez des poids en fonction de vos commentaires.

Une autre option (qui est plus simple, mais peut également obtenir de bons résultats) est un Gossip Algorithm. Vous auriez à chercher à incorporer des commentaires si.