| 摘要 | 第4-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第16-29页 |
| 1.1 研究背景 | 第16-20页 |
| 1.2 国内外研究现状 | 第20-24页 |
| 1.2.1 分布式一致性问题 | 第20-21页 |
| 1.2.2 基于交替方向乘子法的数据分类 | 第21-23页 |
| 1.2.3 加速交替方向乘子法研究 | 第23-24页 |
| 1.3 有待研究问题 | 第24-25页 |
| 1.4 本文的研究内容 | 第25-27页 |
| 1.5 本文的组织结构 | 第27-29页 |
| 第二章 分布式机器学习与交替方向乘子法 | 第29-36页 |
| 2.1 分布式机器学习 | 第29-32页 |
| 2.1.1 分布式机器学习系统 | 第30-31页 |
| 2.1.2 分布式并行机制 | 第31-32页 |
| 2.2 交替方向乘子法 | 第32-34页 |
| 2.3 基于交替方向乘子法全局一致性框架 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于分组交替方向乘子法的分布式线性分类 | 第36-60页 |
| 3.1 背景和相关工作 | 第38-40页 |
| 3.1.1 基于分布式交替方向乘子法的分类 | 第38-40页 |
| 3.2 基于分组的交替方向乘子法 | 第40-47页 |
| 3.2.1 基于分组的交替方向乘子法的框架 | 第40-42页 |
| 3.2.2 基于模型相似的分组方法 | 第42-43页 |
| 3.2.3 子问题的优化 | 第43-45页 |
| 3.2.4 分组变量和全局变量更新 | 第45-46页 |
| 3.2.5 算法停止标准 | 第46-47页 |
| 3.3 理论分析 | 第47-51页 |
| 3.3.1 收敛域分析 | 第48-50页 |
| 3.3.2 收敛速度分析 | 第50-51页 |
| 3.4 实验 | 第51-59页 |
| 3.4.1 数据集和实验设置 | 第51-52页 |
| 3.4.2 和其他分布式方法的比较 | 第52-55页 |
| 3.4.3 分组规模对GADMM性能影响 | 第55-57页 |
| 3.4.4 不同优化方法对GADMM的影响 | 第57-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第四章 大规模不平衡数据的快速分布式分类 | 第60-82页 |
| 4.1 分布式数据不平衡 | 第61-63页 |
| 4.2 背景和相关工作 | 第63-66页 |
| 4.2.1 代价敏感分类算法 | 第64-65页 |
| 4.2.2 基于交替方向乘子法的分布式分类 | 第65-66页 |
| 4.3 基于分组交替方向乘子法的分布式代价敏感分类方法 | 第66-73页 |
| 4.3.1 基于CS-GADMM框架的不平衡分类 | 第66-68页 |
| 4.3.2 局部函数之间的关系度量 | 第68-69页 |
| 4.3.3 子问题优化 | 第69-72页 |
| 4.3.4 CS-GADMM的参数更新 | 第72-73页 |
| 4.4 实验结果分析 | 第73-80页 |
| 4.4.1 数据集和实验设置 | 第73-74页 |
| 4.4.2 对比其他分布式算法 | 第74-77页 |
| 4.4.3 分布式数据不平衡分类的性能评估 | 第77-78页 |
| 4.4.4 局部函数的关系评估 | 第78-80页 |
| 4.5 本章小结 | 第80-82页 |
| 第五章 基于加速交替方向乘子法的分布式优化 | 第82-97页 |
| 5.1 背景和相关工作 | 第83-87页 |
| 5.1.1 ADMM及其加速算法 | 第84-85页 |
| 5.1.2 基于ADMM框架的机器学习问题 | 第85-87页 |
| 5.2 分布式加速ADMM | 第87-89页 |
| 5.2.1 局部变量更新 | 第87-88页 |
| 5.2.2 对偶变量更新 | 第88页 |
| 5.2.3 全局变量更新 | 第88-89页 |
| 5.3 理论分析 | 第89-93页 |
| 5.4 实验结果分析 | 第93-95页 |
| 5.4.1 实验数据和实验设置 | 第93-94页 |
| 5.4.2 对比其他ADMM算法 | 第94-95页 |
| 5.5 本章小结 | 第95-97页 |
| 第六章 总结与展望 | 第97-100页 |
| 6.1 总结 | 第97-98页 |
| 6.2 展望 | 第98-100页 |
| 附录A 第三章有关定理证明 | 第100-108页 |
| 参考文献 | 第108-120页 |
| 简历与科研成果 | 第120-122页 |
| 致谢 | 第122-124页 |