本研究提出了一种分散式传感器网络方案，通过非线性耦合的动力系统的自同步，能够达到全局最优最大似然（ML）估计。

Dec, 2006

本论文回顾了作者们在无参数统计的经典工作的基础上所考虑的一些分布式学习模型，这些模型适用于无线传感器网络等应用。

Mar, 2005

本文提出了一种基于优化的分布参数估计和观察性社交学习方法，演示了如何使用分布式，在线的 Nesterov 双平均法解决纯粹依靠本地信息的估计，并证明了代理最终可以使用随机瓦解方案学习真实参数。

Sep, 2013

设计和分析用于传感器网络的分布式贝叶斯估计算法，涉及协同定位、联邦学习和使用变分推断处理非线性似然模型的映射问题。

Dec, 2023

本文用于分析分布式情况下的非线性滤波问题，提出了一种针对多任务场景的基于核的算法，并对其进行了模拟基准测试，最后详细说明了目前尚未解决的问题和未来的研究方向。

Apr, 2017

在分布式网络中进行参数估计，考虑每个传感器从基础分布中观察独立样本并具有 $k$ 位通信其样本到集中式处理器，该处理器计算所需参数的估计值。我们为一类广泛的损失和分布模型开发极小化风险的下界，并表明在温和的正则条件下，当 $k$ 较小时，通信约束将使有效样本量减少 $d$ 倍，其中 $d$ 是被估计参数的维数。此惩罚随着 $k$ 的增加而以最多指数级别降低，这对某些模型如高维分布估计成立。对于其他模型，我们表明样本量的减少是与 $k$ 线性递减的，例如，当一些次高斯结构可用时。我们将结果应用于具有乘积 Bernoulli 模型、多项式模型、高斯位置模型和逻辑回归的分布式设置中，从而恢复或加强现有结果。

Feb, 2018

本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

Jun, 2023

本文提出了一种简单的分层系统结构，利用参数服务器对信息交换进行协调，引入创新性的分层推送和局部梯度下降来加速状态估计，特别是在状态跟踪中，我们通过引入额外的变量，使相关的局部变量根据状态动态演化。

Jun, 2023

研究了非线性现象 $m$ 的扩散式网络学习问题，提出了一种非参数学习算法，仅需要局部代理的测量，并且仅仅在相邻节点之间进行信息传播。所提出的方式得到了非渐近估计误差界，通过模拟实验，展示了它的潜在应用。

May, 2023

研究在线学习在动态环境中的应用，通过考虑社交网络等输入变量来降低最小化损失函数，并建立针对真实状态的两个更新机制，并对估计误差和后悔进行建模。

Oct, 2013