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

基于分层系统架构，解决面临通信故障和对抗攻击的非贝叶斯学习问题，并提出适应分布式网络的算法

Jul, 2023

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

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

本研究提出分布式算法，可用于在具有时间变化连接性的网络上，将多个代理的估计与特定值对齐，并着重研究约束问题的实现与收敛性分析。该算法可用于处理一致性问题或优化问题，其中全局目标函数为局部客体函数的组合。最终，该算法表现出了良好的收敛率与收敛效果。

Feb, 2008

本文研究了分布式数据集下的分布式深度学习中的通信拓扑问题，提出一个基于梯度优化的 Heavy-ball 加速策略和共识协议的无中心化方法，并理论和经验上证明，在各种通信拓扑下都取得了更好的效果。

Oct, 2020

在多跳无线网络中，通过分布式可扩展的采样和传输策略以及图神经网络结构，优化采样和远程估计研究的主要问题包括缓存并从其他代理处获得最新样本、无线冲突通道和各个网络节点之间的决策制定。

Apr, 2024

本文研究了传感器网络中带有非线性观测模型和噪声干扰的分布式静态参数（向量）估计问题。文章引入了可分离可估的观测模型，研究了三种一致性、高效性和渐近无偏性保证的共识 + 创新类似的分布式估计算法，并给出了相应的收敛率保证和分析。

Aug, 2008

本研究提出了一种新的框架，通过使用聚合输出数据来估计不可区分代理的一组在隐藏的马尔可夫链上的演变，并将其视为近期发展在有限状态空间隐藏马尔可夫链环境中的最优质量传输和 Schrödinger 桥的扩展。通过解决最大似然估计问题来估计集合的流量，并为其开发了一种快速数值算法。我们在两个数值实例中说明了这个框架如何用于跟踪相同和不可区分的动态系统的流量。

May, 2019

本文研究了多智能体网络中的有弹性、协作状态估计问题，在存在拜占庭故障的情况下，提出了一种计算效率高且能够抵御故障的算法，该算法通过坐标轴方向的修剪均值对消息进行聚合，并得出了在几乎一定的情况下，好的代理最终能够学习到真实参数这一结论。

Oct, 2018