开发智能传感器网络推理问题的高效解决方案对于下一代位置、跟踪和地图服务至关重要。本文开发了一种适用于连续变量、难以处理的后验概率和大规模实时数据的可扩展分布式概率推理算法。

Sep, 2023

本论文回顾了作者们在无参数统计的经典工作的基础上所考虑的一些分布式学习模型，这些模型适用于无线传感器网络等应用。

Mar, 2005

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

通过分布式自适应优化算法和混合贝叶斯学习以及分布式梯度下降方法，本文研究了在分布式网络中解决参数不确定性和并寻找最优解的问题，并证明了所有代理的信念和决策变量以及最优解的估算都会渐进地收敛到真实参数的结果以及真实参数下的最优解，并在数值实验中验证了理论分析的准确性。

Apr, 2024

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

本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

Jun, 2023

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

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

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

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