論文の概要: Robust Asynchronous and Network-Independent Cooperative Learning
- arxiv url: http://arxiv.org/abs/2010.09993v1
- Date: Tue, 20 Oct 2020 03:54:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 07:49:48.772486
- Title: Robust Asynchronous and Network-Independent Cooperative Learning
- Title(参考訳): ネットワークに依存しないロバスト非同期協調学習
- Authors: Eduardo Mojica-Nava and David Yanguas-Rojas and C\'esar A. Uribe
- Abstract要約: エージェントのネットワークが仮説に共同で同意しようとする分散非ベイズ学習による協調学習のモデルを考える。
提案した学習力学は,ネットワーク内のすべてのエージェントが,誤った仮説に対する信念を指数関数的に崩壊させることを保証している。
- 参考スコア(独自算出の注目度): 1.712689361909955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the model of cooperative learning via distributed non-Bayesian
learning, where a network of agents tries to jointly agree on a hypothesis that
best described a sequence of locally available observations. Building upon
recently proposed weak communication network models, we propose a robust
cooperative learning rule that allows asynchronous communications, message
delays, unpredictable message losses, and directed communication among nodes.
We show that our proposed learning dynamics guarantee that all agents in the
network will have an asymptotic exponential decay of their beliefs on the wrong
hypothesis, indicating that the beliefs of all agents will concentrate on the
optimal hypotheses. Numerical experiments provide evidence on a number of
network setups.
- Abstract(参考訳): 我々は,分散非ベイズ学習による協調学習のモデルを考える。そこではエージェントのネットワークが,ローカルに利用可能な一連の観測を記述した仮説に共同で同意しようとする。
最近提案された弱い通信ネットワークモデルに基づいて,非同期通信,メッセージ遅延,予測不能なメッセージ損失,ノード間の有向通信を可能にする,堅牢な協調学習ルールを提案する。
提案する学習ダイナミクスは,ネットワーク内のすべてのエージェントが,誤った仮説に対する信念の漸近的な指数的崩壊を保証し,すべてのエージェントの信念が最適な仮説に集中することを示す。
数値実験は、いくつかのネットワーク設定の証拠を提供する。
関連論文リスト
- Zeroth-order Asynchronous Learning with Bounded Delays with a Use-case
in Resource Allocation in Communication Networks [12.216015676346032]
本稿では、エージェントが個別のタスクを持ちながら、統一されたミッションに向けて協力するシナリオに焦点を当てる。
この文脈において、エージェントの目的は、局所的な報酬関数の集合に基づいて、それらの局所パラメータを最適化することである。
本稿では,理論収束解析を行い,提案手法の収束率を確立する。
論文 参考訳(メタデータ) (2023-11-08T11:12:27Z) - Networked Communication for Decentralised Agents in Mean-Field Games [66.3272498854875]
平均フィールドゲームフレームワークにネットワーク通信を導入する。
私たちのアーキテクチャは、中央集権型と独立した学習ケースの双方で保証されていることを示しています。
さらに、ネットワーク化されたアプローチには、中央集権型と独立型の両方の選択肢よりも大きなアドバンテージがあることも示します。
論文 参考訳(メタデータ) (2023-06-05T10:45:39Z) - Robust Transferable Feature Extractors: Learning to Defend Pre-Trained
Networks Against White Box Adversaries [69.53730499849023]
また, 予測誤差を誘導するために, 逆例を独立に学習した別のモデルに移すことが可能であることを示す。
本稿では,頑健な伝達可能な特徴抽出器(RTFE)と呼ばれる,ディープラーニングに基づく事前処理機構を提案する。
論文 参考訳(メタデータ) (2022-09-14T21:09:34Z) - Modality Competition: What Makes Joint Training of Multi-modal Network
Fail in Deep Learning? (Provably) [75.38159612828362]
最高のユニモーダルネットワークは、共同で訓練されたマルチモーダルネットワークよりも優れていることが観察されている。
この研究は、ニューラルネットワークにおけるそのようなパフォーマンスギャップの出現に関する理論的な説明を提供する。
論文 参考訳(メタデータ) (2022-03-23T06:21:53Z) - Finite-Time Consensus Learning for Decentralized Optimization with
Nonlinear Gossiping [77.53019031244908]
本稿では,非線形ゴシップ(NGO)に基づく分散学習フレームワークを提案する。
コミュニケーション遅延とランダム化チャットが学習にどう影響するかを解析することで,実践的なバリエーションの導出が可能となる。
論文 参考訳(メタデータ) (2021-11-04T15:36:25Z) - Neural Enhanced Belief Propagation for Cooperative Localization [6.787897491422112]
位置対応ネットワークは、現代的な利便性、応用海洋科学、公共安全のための革新的なサービスと応用を導入する。
モデルベースおよびデータ駆動推論のためのハイブリッド手法を確立する。
無線ネットワーク内の移動体エージェントが、他のエージェントと相互に観測し、位置情報を交換することで、自らをローカライズすることを目的とした、協調的ローカライゼーション(CL)シナリオを検討する。
論文 参考訳(メタデータ) (2021-05-27T01:42:54Z) - Learning to Communicate and Correct Pose Errors [75.03747122616605]
本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。
本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-10T18:19:40Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Distributed Inference with Sparse and Quantized Communication [7.155594644943642]
ネットワーク内のエージェントが未知の状態によって生成されたプライベート信号のストリームを観測する分散推論の問題を考察する。
本研究では,各仮説に対する低信念を拡散する原理に基づく,イベントトリガー型分散学習ルールを開発する。
逐次量子化器の範囲を精製することにより、各エージェントは1ドルビットで各仮説の信念を符号化しながら、ほぼ確実に指数関数的に真理を学習できることを示す。
論文 参考訳(メタデータ) (2020-04-02T23:08:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。