本文提供了一种解决异步网络上多任务问题的模型，它采用多任务扩散 LMS 算法以协作的方式同时推断多个参数向量，并描述了详细的均方误差分析，该算法在充足步长的条件下保证稳定和性能，并将其应用于光谱感知的特定应用中。

Dec, 2014

本文介绍了利用扩散策略开发分布式算法解决多任务问题的方法，通过最小化适当的均方误差标准和 L2 正则化共同推断在网络覆盖区域内需要推断的多个最佳参数向量。在本文中，分析了算法在平均值和均方误差意义下的稳定性和收敛性，并进行了模拟以验证理论发现，同时还说明了网络内应用于光谱感应、目标定位和高光谱数据分离的几种有用应用程序。

Nov, 2013

该研究提出了一种分布式算法，用于非线性自适应学习，基于扩散的 KLMS 机制以 Adapt Then Combine 模式协作，实现最小化成本函数的目标，实验证明该算法优于其他 LMS 变体。

Feb, 2016

本文提出了一种基于扩散 LMS 策略的自适应网络分布式估计方法，利用凸正则化增强扩散过程中的稀疏性检测，使网络具备学习能力和实时学习稀疏结构的能力，并演示了该方法在稀疏数据恢复方面的优势。

Jun, 2012

我们提出了自适应扩散机制，以分布式方式优化全局代价函数，并将其应用于分布式估计和定位问题。

Oct, 2011

本研究考虑了从流数据中自适应和分布式地估算图滤波器的问题，将其建模为图上的共识估算问题，并引入一种预处理的图扩散 LMS 算法以提高算法的收敛速度，并提出了一种更为通用的解决方案，采用无监督的聚类方法来进行全局估计问题的分解。

Dec, 2019

本文是多任务学习的一篇综述，主要介绍了在分布式数据和网络系统上学习多个相关任务的新策略以及合作规则如何促进不同任务相关性模型，同时也解释了如何和何时合作的方式比非合作的策略更有效。

Jan, 2020

本研究关注分布式多任务学习问题，提出了一种基于 debaised lasso 的通信高效估计方法，能够在高维空间中学习线性预测器，并与最佳集中式方法相媲美。

Oct, 2015

本研究将非参数知识融入最小均方扩散算法的最大后验估计框架中，提出了一种能够在合作估计器组中鲁棒地估计未知参数向量的算法。通过利用核密度估计和缓冲一些中间估计量，计算每个节点中参数向量的先验分布和条件似然。设计了似然函数使用伪 Huber 损失函数，定义了一个误差阈值函数来减少计算开销并更好地抵抗噪声，当误差小于预定义阈值时停止更新。在存在高斯和非高斯噪声的稳态和非稳态情况下对所提出的算法的性能进行了检验。结果表明，该算法在不同类型噪声存在下具有鲁棒性。

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