Distribuované učení neuronových sítí

Abstract

Cílem této práce je prozkoumat a porovnat nejmodernější řešení pro distribuovanou metodu největšího spádu. Práce se zaměřuje na vylepšení metody největšího spádu (SGD), která je využita napříč strojovým učením. Na základě provedené řešerše jsou vybrány algoritmy, které jsou dále popsány a implementovány v programovacím jazyce Julia. Pro účely analýzy jsou využita data z bezpečnostní domény nejen s velkým počtem parametrů modelu, ale především i velikostí trénovacích dat. Tato data jsou využita ve formě hierarchického více-instančního modelu. Na těchto datech je následně provedena analýza. V rámci práce vznikly implementace distribuovaných algoritmů metody největšího spádu, které dosahují lepších výsledků než nejmodernější řešení, vzhledem k rychlosti zpracování.

The goal of this thesis was to explore and compare the state-of-the-art methods of distributed gradient descent. This thesis focuses on improving the stochastic gradient descent method, that is being applied across Machine Learning. Based on the research we have selected algorithms, that are described and implemented in the Julia programming language. The data for purposes of analysis is selected from the domain of cybersecurity with not only a huge number of model parameters but especially a huge amount of training data. The analysis is performed on these datasets. Multiple distributed algorithms of Stochastic Gradient Descent were implemented as part of this thesis, that achieves better results than state-of-the-art methods in regard to processing time.