Apr, 2024

基于核的学习在多智能体应用中的保证

PDF
TL;DR本文讨论了网络中观察到噪声环境下潜在多维非线性现象的基于核的学习问题，提出了一种学习算法，仅需要关于研究对象的轻微先验知识，并提供了相应的非渐近高概率误差界限的模型。本文还提供了方法的非渐近分析和数值模拟结果。
kernel-based learningnetwork of agentslatent multidimensional phenomenonnon-asymptotic analysisnumerical simulation
发现论文，激发创造
  • 无参数有限先验知识下的分散扩散式学习

    研究了非线性现象 $m$ 的扩散式网络学习问题，提出了一种非参数学习算法，仅需要局部代理的测量，并且仅仅在相邻节点之间进行信息传播。所提出的方式得到了非渐近估计误差界，通过模拟实验，展示了它的潜在应用。

    May, 2023

  • 非线性系统建模网络上的适应和学习

    本文用于分析分布式情况下的非线性滤波问题，提出了一种针对多任务场景的基于核的算法，并对其进行了模拟基准测试，最后详细说明了目前尚未解决的问题和未来的研究方向。

    Apr, 2017

  • 层次 - 超平面核在主动学习非稳态系统高斯过程模型中的应用

    本论文提出了一种可以学习非线性数据特性的内核函数家族，该家族通过一种可学习的输入分区来改进先前的方法，并在各种主动学习任务中表现出出色的性能。

    Mar, 2023

  • 动态和非平稳环境中的基于核的函数学习

    机器学习中一个核心主题是从稀疏和嘈杂的数据中进行函数估计。本文研究了内核岭回归，并推导了在非平稳分布下的收敛条件，同时解决了可能无限次发生的随机调适情况，包括重要的探索 - 开发问题。

    Oct, 2023

  • 非对称网络近似跨域学习

    本研究提出了一种基于非对称核的泛化途径来研究基于核的网络的逼近能力，使用了一系列核并得出了与输入空间维度相比具有较小光滑度的函数逼近结果。

    May, 2023

  • 分布式特征下的监督学习

    本研究探讨了在大规模数据集和大维特征空间场景下的学习问题，通过考虑网络中代理人传播的特征信息，并提出了一种新颖的动态扩散构造、管道策略和方差减少技术相结合的分布式学习算法，能够实现在原始域中的线性收敛和全局最小值解。

    May, 2018

  • 关于多智能体非线性滤波和学习的动态

    本篇论文研究了具有非线性滤波和学习动态的多智能体网络系统的行为，提出了多智能体网络系统中一个智能体的行为的一般表达式，并给出了实现协同学习行为的条件。同时，还介绍了该框架在分布式学习和联邦学习场景中的应用。

    Sep, 2023

  • 基于高斯过程回归的分布式事件触发在线学习，用于多智能体系统的安全共识

    利用高斯过程学习补偿多智能体系统中未知的组成部分，并通过基于概率保证的预测误差边界确保了所提出的基于学习的控制器的控制性能。

    Feb, 2024

  • 学习寻找：面对非随机干扰的多智能体在线资源寻找

    本文提出了一种利用新兴学习技术的多智能体在线源搜索算法，解决了环境动态不确定性和两种非随机扰动的问题，并展示了该算法在真实世界应用中的有效性。

    Apr, 2023

  • 网络上的相互作用粒子系统：网络和相互作用核的联合推断

    在网络上建模多智能体系统是各种学科中的一个基本挑战。我们从由多个轨迹组成的数据中共同推断网络的权重矩阵和相互作用核，分别确定智能体之间的相互作用以及此类相互作用的规则。我们提出的估计器自然导致一个非凸优化问题，我们研究了两种方法来解决：一种基于交替最小二乘（ALS）算法；另一种基于名为交替最小二乘操作回归（ORALS）的新算法。两种算法都可适用于大量数据轨迹，并建立欠定条件以保证可识别性和适定性。ALS 算法在小数据范围内具有统计效率和鲁棒性，但缺乏性能和收敛性保证；ORALS 估计器在欠定条件下是一致且渐近正常的。我们进行了几次数值实验，从网络上的 Kuramoto 粒子系统到领导者 - 从属模型的意见动态。

    Feb, 2024