AAAINov, 2017

高斯过程分布式数据融合遇到迁移学习 —— 大规模分布式合作感知

PDF
TL;DR论文提出了利用代理中心支持集的高斯过程分散数据融合算法，允许每个移动感知代理在执行过程中选择不同的支持集并动态切换，以便将其自己的数据封装到本地摘要中，然后可以与其他代理的本地摘要相结合，从而预测环境现象。同时，提出了一种新的信息共享机制，并通过实验验证了该算法的性能优异。
gaussian processdecentralized data fusiondistributed cooperative perceptionsupport setstransfer learning
发现论文，激发创造
  • 基于高斯过程回归的分布式事件触发在线学习，用于多智能体系统的安全共识

    利用高斯过程学习补偿多智能体系统中未知的组成部分，并通过基于概率保证的预测误差边界确保了所提出的基于学习的控制器的控制性能。

    Feb, 2024

  • 分布式粒子滤波的去中心化传感器融合

    本文介绍了一种可扩展的贝叶斯技术，用于在动态环境中从多个平台进行去中心化状态估计。通过严格分散的方法并通过互动通信协议促进信息流，实现仅在附近平台之间交换信息和在分布式监视方案的上下文下进行评估，其结果展示了对大型车队的前所未有的可扩展能力。

    Oct, 2012

  • 基于预测共识的协作学习

    本文提出了基于蒸馏的方法，并采用信任加权方案，使用伪标签的无标签辅助数据促进合作学习，以达成对辅助数据的标签共识。我们证明了该方案相对于本地训练能显著提高模型性能，同时也可以识别和缓解对于众多模型的负面影响。在个体数据训练以及模型架构存在异质性的情况下，该方法表现得尤为有效。

    May, 2023

  • 分布式特征下的监督学习

    本研究探讨了在大规模数据集和大维特征空间场景下的学习问题，通过考虑网络中代理人传播的特征信息，并提出了一种新颖的动态扩散构造、管道策略和方差减少技术相结合的分布式学习算法，能够实现在原始域中的线性收敛和全局最小值解。

    May, 2018

  • 分布式多智能体目标搜索和跟踪的高斯过程与强化学习

    基于分布式高斯过程的多智能体强化学习技术能够利用深度学习的最新进展，在未知目标上规划和决策，以解决传统方法所依赖的启发式问题，并在硬件实验中展示了在无人机群组上的应用性能和可迁移性。

    Aug, 2023

  • 突破数据孤岛：多智能体感知来自独立私有源的跨领域学习

    通过引入 Feature Distribution-aware Aggregation (FDA) 框架以缓解多智能体感知中的分布差异，本论文全面探讨了分布差异对现有多智能体感知系统的影响，并通过在公共 OPV2V 和 V2XSet 数据集上进行的大量实验验证了 FDA 在基于点云的 3D 目标检测中的有效性，将其视为现有多智能体感知系统中无价的增强手段。

    Feb, 2024

  • 合作多智体强化学习的共识学习

    本研究提出了一种协作多智能体强化学习的共识学习方法，通过基于本地观察的共识学习，在分散式执行期间将推断出来的共识明确地作为智能体网络的输入，从而发展他们的合作精神，并在若干完全合作任务上获得了令人信服的结果。

    Jun, 2022

  • 高效通讯的分布式鲁棒性分布式学习

    本文介绍了一种分布式学习算法 —— 去中心化单环梯度上升 / 下降算法（AD-GDA），以解决设备之间数据分布不均导致合作训练模型性能下降的问题，并采用压缩共识方案提高通信效率，并给出了平滑凸和非凸损失函数的收敛性保证。

    May, 2022

  • 多智能体协同感知的注意力特征融合

    本研究提出了一种基于注意力机制的图形卷积网络作为中间的协作感知解决方案，通过该方法实现了信息聚合并提高了物体检测精度，同时减少了网络资源的使用，有效地解决了智能交通系统中的协作感知问题。

    May, 2023

  • 水质监测中基于本地高斯过程的深度强化多智能体学习框架

    提出了一种使用多智能体系统来高效监测水质的水文资源保护方法，通过应用局部高斯过程和深度强化学习来获得有效的监测策略，并表明与现有方法相比，该方法能显著降低水质变量和藻类水华监测的平均估计误差。

    Jan, 2024