Dec, 2014

异步网络中的多任务扩散适应

PDF
TL;DR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。
multitask diffusion lmscollaborative inferenceasynchronous networksmean-square error analysisspectral sensing
发现论文，激发创造
  • 多任务网络中的扩散 LMS

    本文研究了扩散 LMS 算法在多任务环境下的表现，在单任务假设不成立时，提出了一种无监督聚类策略，能让节点选择邻居并协作估计共同参数向量，在多目标跟踪任务中得到了应用。

    Apr, 2014

  • 网络上的多任务扩散适应

    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

  • 基于扩散调适的稀疏分布式学习

    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

  • 使用多任务图滤波模型在图上进行在线分布式学习

    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

  • 网络分布式优化与学习的扩散自适应策略

    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

  • 非线性自适应网络的扩散核 LMS 算法

    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

  • 基于图的多任务学习：一种分布式、流式机器学习方法

    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

  • 异步扩散学习中的代理子抽样和本地更新

    我们研究了一个异步操作的代理网络，旨在发现适合个体本地数据集的理想全局模型。我们的假设是每个代理根据自身算法独立选择何时参与，并在任何给定时刻选择与其合作的特定子集。在该设置下，我们证明了异步扩散策略在均方误差意义下是稳定的，并针对联邦学习设置提供性能保证。我们通过数值模拟进行了实证研究。

    Feb, 2024

  • 分布式多任务学习

    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

  • 非线性系统建模网络上的适应和学习

    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