Apr, 2024

基于图神经网络的估计误差最小化的分散学习策略

PDF
TL;DR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。
samplingestimationautoregressive markovian processeswireless networkreinforcement learning
发现论文，激发创造
  • 关于图中递归消息传递的多智能体强化学习的通用性

    该研究论文探讨了在图形环境中基于图的多智能体强化学习所面临的挑战，并提出了一种通过与周围节点交换信息来创建全局图表示的循环传递信息模型，并在通信网络中的路由上验证了该方法，发现它使智能体能够泛化和适应图中的变化。

    Feb, 2024

  • 差分隐私分布式估计与学习

    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

  • 无线网络中基于图神经网络的隐私保护分散推断

    本文研究了使用图神经网络实现无线优化问题的去中心化控制 / 管理，提出了设计隐私保护信号和隐私保障训练算法来实现隐私保护推断，并在合成图数据上进行了广泛的模拟以验证理论分析。

    Aug, 2022

  • 基于图神经网络的分散式控制器

    本文提出一种利用图网络来从数据中学习去中心化控制器的框架，通过解决群聚问题展示了其在动力学系统中的应用潜力。

    Mar, 2020

  • 可扩展的去中心化在线个性化均值估计算法

    该研究关注于代理人合作的均值估计问题，提出了两种协作均值估计算法，并建立了性能的理论描述和渐近最优估计条件。

    Feb, 2024

  • 面向分散网络系统的可扩展基于模型的策略优化

    本文旨在提高多智能体控制的数据效率，采用基于模型的学习方式，通过多个代理通过本地通信进行合作完成任务，实现分散的基于模型的策略优化框架，提出了扩展的价值函数，理论上证明了产生的策略梯度是真实策略梯度的一个紧密近似，并在智能交通系统的多项基准测试上展示了出色的数据效率和与真实模型的无模型方法匹配的性能。

    Jul, 2022

  • 具有线性加速的分散非参数回归的最优统计速率

    本研究采用分布式梯度下降来分析多智能体分散非参数回归，从精确损失函数的角度来研究学习性能，当 i.i.d 样本分配给智能体时，我们发现如果智能体拥有足够多的样本数量并且沟通延迟足够小，则分布式梯度下降在带最优统计速率的同时取得线性加速，并且其所需迭代次数与网络中所有样本一起运行的梯度下降具有相同数量级的迭代次数。

    May, 2019

  • 高效分布式在线预测和随机优化：近似分布式平均方法

    研究分布式方法用于在线预测和随机优化，并提出了基于 gossip 的优化方法以实现最优的后悔界限。

    Mar, 2014

  • 使用多任务图滤波模型在图上进行在线分布式学习

    本研究考虑了从流数据中自适应和分布式地估算图滤波器的问题，将其建模为图上的共识估算问题，并引入一种预处理的图扩散 LMS 算法以提高算法的收敛速度，并提出了一种更为通用的解决方案，采用无监督的聚类方法来进行全局估计问题的分解。

    Dec, 2019

  • 无线通信与网络的去中心化学习

    本文介绍了针对网络中的图形数据处理的分散式学习算法，通过 ADMM 迭代最小化来得到所需的并行程度，并通过案例研究阐明了分散式学习框架对于当代无线通信和网络任务的影响。

    Mar, 2015