Jul, 2023

基于结构的最优多智能体贝叶斯分散估计

PDF
TL;DR通过利用多智能体分散融合问题中的概率独立结构，本文展示了一种使用多个 (非整体的) 权重因子而不是原始 CI 中的单个 (整体的) 因子的 CI 算法扩展以及一种能够计算最优上下界并充分利用任意依赖结构的通用优化方案，从而可以找到一个更紧密的界限。通过比较我们的方法，并展示在一个简单问题上收敛于相同的解。然后，我们在一个大规模目标跟踪模拟中测试我们的新非整体的 CI 算法，展示相比原始整体 CI，它实现了更紧密的界限和更准确的估计。
发现论文，激发创造
  • 近似去中心化贝叶斯推断

    本文提出了一种在分散型学习代理网络上执行贝叶斯推断的近似方法，该方法首先对每个学习代理使用变分推断生成本地近似后验，代理将本地后验传输到网络中的其他代理，最后每个代理组合其收到的本地后验。实验结果表明，这种分散式方法在计算性能和预测测试可能性方面具有优势。

    Mar, 2014

  • 基于连续优化的联邦贝叶斯网络结构学习

    本文提出一种基于联邦学习的方法，用于估计来自不同方的数据 横向分割后的 贝叶斯网络结构。该方法采用基于连续优化的分布式结构学习方法，使用多重乘法器的交替方向方法（ADMM），在优化过程中仅交换模型参数，实现了数据隐私的保护。实验结果表明，该方法在合成和实际数据集上的性能优于其他方法，特别是在客户端数量相对较多且每个客户端的样本量有限的情况下。

    Oct, 2021

  • 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

  • 传感器网络中的分布式贝叶斯估计：边缘概率密度的共识

    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

  • 协同异质因果推断 —— 超越元分析

    本研究提出了一种用于处理异质数据的协作逆倾向得分加权估计器，在协作中调整分布转移，从而在异质性增加时显著提高性能，提出了一种联邦学习算法来在保持隐私的同时协作训练结果模型，并通过合成和真实数据集展示了方法的优势。

    Apr, 2024

  • 分布式参数估计中资源约束下的协作

    提出一种基于 Fisher 信息最大化原理和多臂赌博算法的传感器 / 代理人数据收集和协作策略设计，旨在解决参数估计问题中资源限制和不同传感器 / 代理人观测结果之间的相关性问题。

    Jul, 2023

  • 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

  • 分布式贝叶斯学习中的异步本地计算

    机器学习中分布式部署的推理算法，利用异步通信提高计算速度并降低通信开销，通过马尔可夫链蒙特卡洛采样实现局部计算，理论上量化收敛速度，通过模拟和真实数据集的实验验证算法的有效性。

    Nov, 2023

  • 关于分散估计中贝叶斯风险的信息论下限

    本文针对分布式估计中存在通信约束的情况，使用信息理论等量化方法来推导出下边界，进而量化资源分配给多个处理器造成的估计性能下降。

    Jul, 2016

  • 联邦决策制定的融合策略

    本篇研究讨论信息聚合问题，即在联邦决策中，一组代理协作推断自然状态而不与中心处理器或其他代理共享其私有数据。我们分析了非贝叶斯社会学习策略，其中代理将他们的个体观察结果纳入他们的观点中，中心处理器通过算术或几何平均来聚合这些观点。通过我们以前的工作，我们建立了两个聚合策略的渐进正态性的特征，并通过模拟验证了理论结果，并比较了两个策略。

    Mar, 2023