“多核机器学习的Map-Reduce”一文显示了10种机器学习算法，它们可以从map reduce模型中受益。关键点是“任何拟合统计查询模型的算法都可以用一定的”求和形式编写。“，算法可以表示为求和形式，可以应用地图缩减编程模型。
对于那些无法表示为求和形式的算法，并不意味着它们不能应用地图缩减模型。任何人都可以指出任何特定的机器学习算法，它不能通过map reduce模型加速吗？
答案 0 :(得分：3)
当数据中存在计算依赖性时，MapReduce不起作用。这种限制使得难以表示在结构化模型上运行的算法。
因此，当遇到大规模问题时，我们经常抛弃丰富的结构化模型，转而采用适合MapReduce抽象2的过于简单化的方法。
在机器学习社区中，许多算法在学习和推理期间迭代地变换参数，例如，信念传播，期望最大化，梯度下降和吉布斯采样。这些算法迭代地细化一组参数，直到某些终止标准匹配2。
如果你在每次迭代中调用MapReduce，是的，我认为你仍然可以加快计算速度。这里的要点是我们需要一个更好的抽象框架，以便可以包含数据的图形结构，表达复杂的调度或自动评估终止。
顺便说一下，Graphlab是由上述原因2推动的替代方案之一。