看了論文《TencentBoost: A Gradient Boosting Tree System with Parameter Server》，主要從以下三個方面闡述論文思想：
一 ，woker端的工作（其中有一個節點是leader worker主要負責sample features，合併梯度圖）：
1.每個worker根據分配到的數據，統計部分特徵的分位圖，然後把統計的分位圖Push到server上。
2. 從server上Pull下全部特徵的分位圖，根據分位圖確定候選特徵值。
3. 每個worker初始化樹結構,並選定一個根節點爲active。leader worker選取一些特徵push到server上。
4. worker從server上Pull下來選取的特徵，爲active node計算梯度圖。把計算好的梯度直方圖push給server。
5. leader worker從server端pull下所有的梯度圖，計算最佳切分點，並push給server。
6. worker從server上pull下最佳切分點，根據最佳切分點，劃分子樹，並置已選節點爲unactive。然後開始下一輪的計算梯度圖，直至已滿足樹的深度。
二，server端工作：
1.存儲方式：用vector存儲，對於稀疏數據則之間存儲非零值的索引。
2.參數空間的劃分：range-hash混合存儲。先根據索引劃分幾個範圍，每個範圍內通過哈希映射確定每個服務器負責的參數範圍。
三，網絡結構優化
1爲計算最佳切分點是高維操作，僅僅由leader worker一個節點計算效率太低，爲了加快獲得最佳切分點的速度，有兩個地方可以優化。 (1)針對worker端 Round-robin work partition。採用輪詢策略，確定每個worker所負責的候選特徵值。每個woker在自己所負責的特徵值內，尋找最佳特徵切分值。
(2) 針對server端 Sparse pull。假設有P個分區，每個分區中含有K個特徵，通過pull操作循環依次獲取每個特徵的梯度圖，以確定這K個特徵的最佳切分點。將結果以split feature/split value/gain的向量形式傳遞給worker。worker獲得P個最佳值後，再從這P個特徵值中選擇一個最佳切分點最爲最終的結果。（本質上是分而治之的思想）從而節約了數據存儲以及數據傳輸。
針對論文裏面的實驗結果，很多人有爭議，可以查看這裏https://github.com/Tencent/angel/issues/7