莱斯特·麦基;阿梅特·塔尔沃卡;迈克尔·乔丹。 分布式矩阵补全和稳健因子分解。 （英文） Zbl 1337.68225号 J.马赫。学习。物件。 16, 913-960 (2015). 摘要：如果学习方法要扩展到现代数据集的巨大规模，那么机器学习领域必须采用并行和分布式计算。受最近发展的理论丰富但计算复杂度低的矩阵分解方法的启发，以及将矩阵映射到分布式体系结构相对容易的启发，我们引入了一个可扩展的分域控制框架，用于噪声矩阵分解。我们对该框架进行了深入的理论分析，在该框架中，我们描述了“除法”步骤引入的统计误差，并在“征服”步骤中控制其大小，从而使整个算法具有与基本算法相当的高概率估计保证。我们还提供了协作过滤和视频背景建模的实验，证明了使用该方法可以实现近线性到超线性的加速。 引用于14文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 15A23型 矩阵的因式分解 65楼30 其他矩阵算法（MSC2010） 68瓦10 计算机科学中的并行算法 68宽15 分布式算法 68瓦20 随机算法 关键词：协同过滤;分而治之;矩阵完成;矩阵分解;并行算法;分布式算法;随机算法;鲁棒矩阵分解;视频监控 软件：水母;HOGWILD公司 PDF格式BibTeX公司 XML格式引用 \textit{L.Mackey}等人，J.Mach。学习。第16号决议，913--960（2015年；Zbl 1337.68225） 全文： arXiv公司 链接