Neues Verfahren: Graph-gestützte Lernmethode für GMMs in verteilten Systemen

Ein innovatives Lernverfahren für Gaußsche Mischungsmodelle (GMMs) wurde vorgestellt, das speziell für verteilte Umgebungen mit heterogenen und begrenzten lokalen Daten konzipiert ist. Durch die Nutzung eines vorgegebenen Ähnlichkeitsgraphen werden Parameter zwischen den Knoten intelligent geteilt, ohne dass rohe Daten übertragen werden müssen.

Das Ergebnis ist ein Modell, das die Parameter der Nachbarn flexibel aggregiert und damit sowohl in zentralisierten als auch in lokal trainierten Szenarien überdurchschnittliche Leistungen erzielt – besonders in Situationen mit wenigen Proben und stark variierenden Datenquellen.