論文の概要: Distributed adaptive algorithm based on the asymmetric cost of error functions

• arxiv url: http://arxiv.org/abs/2107.03067v1
• Date: Wed, 7 Jul 2021 08:04:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 21:52:17.520084
• Title: Distributed adaptive algorithm based on the asymmetric cost of error functions
• Title（参考訳）: 誤差関数の非対称コストに基づく分散適応アルゴリズム
• Authors: Sihai Guan, Qing Cheng, Yong Zhao
• Abstract要約: これら3つの拡散アルゴリズムの平均推定誤差の安定性と計算複雑性を理論的に解析する。 DLLCLMS, DQQCLMS, DLECLMSアルゴリズムはDSELMS, DRVSSLMS, DADアルゴリズムよりも入力信号やインパルスノイズに強い。
• 参考スコア（独自算出の注目度）: 8.16228462388377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, a family of novel diffusion adaptive estimation algorithm is proposed from the asymmetric cost function perspective by combining diffusion strategy and the linear-linear cost (LLC), quadratic-quadratic cost (QQC), and linear-exponential cost (LEC), at all distributed network nodes, and named diffusion LLCLMS (DLLCLMS), diffusion QQCLMS (DQQCLMS), and diffusion LECLMS (DLECLMS), respectively. Then the stability of mean estimation error and computational complexity of those three diffusion algorithms are analyzed theoretically. Finally, several experiment simulation results are designed to verify the superiority of those three proposed diffusion algorithms. Experimental simulation results show that DLLCLMS, DQQCLMS, and DLECLMS algorithms are more robust to the input signal and impulsive noise than the DSELMS, DRVSSLMS, and DLLAD algorithms. In brief, theoretical analysis and experiment results show that those proposed DLLCLMS, DQQCLMS, and DLECLMS algorithms have superior performance when estimating the unknown linear system under the changeable impulsive noise environments and different types of input signals.
• Abstract（参考訳）: 本稿では、拡散戦略と線形線形コスト(LLC)、二次二次コスト(QQC)、線形指数コスト(LEC)を各分散ネットワークノードで組み合わせ、拡散LLLMS(DLLCLMS)、拡散QCLMS(DQQCLMS)、拡散LECLMS(DLECLMS)を組み合わせた非対称コスト関数の観点から、新しい拡散適応推定アルゴリズムのファミリーを提案する。 これら3つの拡散アルゴリズムの平均推定誤差の安定性と計算複雑性を理論的に解析する。 最後に,これら3つの拡散アルゴリズムの優越性を検証するために実験シミュレーションを行った。 DLLCLMS, DQQCLMS, DLECLMSアルゴリズムはDSELMS, DRVSSLMS, DLLADアルゴリズムよりも入力信号やインパルスノイズに強い。 理論的解析と実験の結果から,提案するdllclms,dqqclms,dleclmsアルゴリズムは,無名の線形系を,変動可能な衝動雑音環境と異なる入力信号環境下で推定する場合に優れた性能を示すことがわかった。

関連論文リスト

• Expensive Multi-Objective Bayesian Optimization Based on Diffusion Models [17.19004913553654]
  多目的ベイズ最適化(MOBO)は、様々な高価な多目的最適化問題(EMOP)において有望な性能を示した。 高価なMOBOのための合成拡散モデルに基づくパレートセット学習アルゴリズム,すなわちCDM-PSLを提案する。 提案アルゴリズムは,様々な最先端MOBOアルゴリズムと比較して優れた性能が得られる。
  論文  参考訳（メタデータ） (2024-05-14T14:55:57Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Hyperparameter Estimation for Sparse Bayesian Learning Models [1.0172874946490507]
  Aparse Bayesian Learning (SBL) モデルは、信号処理や機械学習において、階層的な事前処理による疎結合を促進するために広く使われている。 本稿では,種々の目的関数に対するSBLモデルの改良のためのフレームワークを提案する。 信号雑音比において, 高い効率性を示す新しいアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2024-01-04T21:24:01Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Accurate Discharge Coefficient Prediction of Streamlined Weirs by Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
  本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。 提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
  論文  参考訳（メタデータ） (2022-04-12T01:59:36Z)
• Analysis of the robustness of NMF algorithms [0.0]
  本研究では,L2-norm,L1-norm,L2,1-normの3つの非負行列分解法について検討した。 我々の目的は、これらの異なるアプローチのパフォーマンスと、現実世界のアプリケーションにおけるそれらの堅牢性を確立することである。
  論文  参考訳（メタデータ） (2021-06-04T02:35:24Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)
• Study of Diffusion Normalized Least Mean M-estimate Algorithms [0.8749675983608171]
  本研究では,修正ハマー関数に基づく拡散正規化最小平均M推定アルゴリズムを提案する。 我々は,アルゴリズムの過渡的,定常的,安定的な挙動を統一的なフレームワークで解析する。 様々なインパルスノイズシナリオのシミュレーションでは、提案アルゴリズムは既存の拡散アルゴリズムよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-04-20T00:28:41Z)

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。