Nov, 2023

零阶异步学习与有界延迟：通信网络资源分配应用实例

PDF
TL;DR代理协同训练的异步学习过程中，通过分布式优化和深度学习进行资源分配的关键问题与相关的研究领域探索。
distributed optimizationinterconnectionsagentsasynchronous learningresource allocation
发现论文，激发创造
  • 零阶分布式在线优化通信效率高的算法、理论和应用

    本文提出了一种基于联邦学习模式下的多智能体最优化问题解决方案，运用受限的通信方式，实现了对多个目标的追踪，避免了碰撞发生，并在两个相关应用上进行了数量级和碰撞性能的分析。

    Jun, 2023

  • 多智能体强化学习在基于竞拍的长期网络资源分配中的应用：V2X 应用

    本文旨在研究如何实现计算任务从移动代理转移，其提出了一种基于分散决策的机制来促使代理间在博弈与合作之间平衡。为此，该文设计了一个新的多代理在线学习算法，并通过 V2X 应用的模拟得出了良好的收敛性和泛化性能。

    Jul, 2022

  • 异步和延迟的去中心化一致性优化

    本研究提出了一种异步、分散的共识优化算法，可在没有全局时序同步的情况下，利用本地计算和信息传递，在有限延迟和随机代理假设下收敛于精确解。

    Dec, 2016

  • 带有延迟的多智能体在线优化：异步性、适应性和乐观主义

    本研究提出并分析了一种自适应二元平均方案，解决多智能体在延迟和异步性存在情况下的联合在线学习问题，并提供了一个适用于完全去中心化和异步环境中的自适应学习策略及优化方案。

    Dec, 2020

  • 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

  • 在线分布式学习与量化有限时间协调

    本文介绍了一种基于 P2P 通信的分布式在线学习算法，允许使用随机梯度并使用有限时协调协议来将本地训练模型进行聚合运算，以适应隐私、安全或成本限制等的数据分布式情境。并通过逻辑回归任务的实验结果来验证该算法的性能。

    Jul, 2023

  • 时变网络中的去中心化优化与任意延迟

    我们提出了一种称为 DT-GO 的新颖基于八卦的算法，它在不需要了解节点出度的情况下适用于一般的有向网络，对于拥有延迟或有限确认能力的网络。我们推导了凸和非凸目标的收敛速率，并证明我们的算法实现了与集中式随机梯度下降相同的复杂度顺序，也就是说，图的拓扑结构和延迟效应只影响高阶项。此外，我们扩展了分析以适应时变网络拓扑。通过数值仿真来支持我们的理论发现。

    May, 2024

  • 通过基于记忆的通信提高小规模多智体深度强化学习中的协调

    本文提出了一个基于深度确定性策略梯度的多智能体训练框架，利用存储设备并发端到端学习明确的通信协议，来提高小规模系统中智能体的协作和性能，同时研究了不同通信模式对性能的影响。

    Jan, 2019

  • 在无线系统中学习最佳资源分配

    本研究探讨在无线通信系统中设计最优资源分配策略。使用深度神经网络进行训练，同时解决主次变量优化问题。通过数值模拟，验证了所提出方法在许多无线资源分配问题中的有效性。

    Jul, 2018

  • 具有长期约束的随机网络资源分配的在线优化

    本文研究了一个在线资源预订问题，通过一个由两个计算节点组成的通信网络，在有限时间内最小化整体预订成本，并且保持累计违规与运输成本在一定预算限制下的在线重复博弈，提出了一个在线鞍点算法来解决该问题。

    May, 2023