論文の概要: Distributed Finite-Sum Constrained Optimization subject to Nonlinearity
on the Node Dynamics
- arxiv url: http://arxiv.org/abs/2203.14527v1
- Date: Mon, 28 Mar 2022 06:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 04:51:39.414096
- Title: Distributed Finite-Sum Constrained Optimization subject to Nonlinearity
on the Node Dynamics
- Title(参考訳): ノードダイナミクスの非線形性を考慮した分散有限和制約最適化
- Authors: Mohammadreza Doostmohammadian, Maria Vrakopoulou, Alireza Aghasi,
Themistoklis Charalambous
- Abstract要約: マルチエージェントネットワーク(MAN)上の凸最適化問題を解くために,分散有限サム(固定サム)割り当て手法を検討する。
本稿では、最適化問題に対する様々な非線形性制約が、分散セットアップ(ネットワーク上の)を介して異なるアプリケーションに対してどのように対処できるかを論じる。
- 参考スコア(独自算出の注目度): 6.211043407287827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by recent development in networking and parallel data-processing,
we consider a distributed and localized finite-sum (or fixed-sum) allocation
technique to solve resource-constrained convex optimization problems over
multi-agent networks (MANs). Such networks include (smart) agents representing
an intelligent entity capable of communication, processing, and
decision-making. In particular, we consider problems subject to practical
nonlinear constraints on the dynamics of the agents in terms of their
communications and actuation capabilities (referred to as the node dynamics),
e.g., networks of mobile robots subject to actuator saturation and quantized
communication. The considered distributed sum-preserving optimization solution
further enables adding purposeful nonlinear constraints, for example,
sign-based nonlinearities, to reach convergence in predefined-time or robust to
impulsive noise and disturbances in faulty environments. Moreover, convergence
can be achieved under minimal network connectivity requirements among the
agents; thus, the solution is applicable over dynamic networks where the
channels come and go due to the agent's mobility and limited range. This paper
discusses how various nonlinearity constraints on the optimization problem
(e.g., collaborative allocation of resources) can be addressed for different
applications via a distributed setup (over a network).
- Abstract(参考訳): 近年のネットワークと並列データ処理の発展により,マルチエージェントネットワーク(MAN)上の資源制約付き凸最適化問題を解くために,分散化および局所化有限サム(固定サム)割り当て手法が検討されている。
このようなネットワークには、コミュニケーション、処理、意思決定が可能な知的実体を表す(スマート)エージェントが含まれる。
特に,例えば,アクチュエータ飽和や量子化通信を受ける移動ロボットのネットワークなどにおいて,エージェントの通信やアクティベーション能力(ノードダイナミクスと呼ばれる)の観点から,エージェントのダイナミクスに実用的な非線形制約を課す問題を考える。
この分散和保存最適化法により、例えば符号ベースの非線形性のような目的のある非線形制約を加えることで、予め定義された時間内に収束したり、障害環境下でのインパルスノイズや乱れに対して頑健になる。
さらに,エージェント間の最小限のネットワーク接続条件下でコンバージェンスを実現することができ,エージェントの移動性や範囲の制限により,チャネルが行き来する動的ネットワーク上でソリューションが適用可能である。
本稿では、最適化問題(例えばリソースの協調配置)における様々な非線形性制約が、分散セットアップ(ネットワーク上の)を介して異なるアプリケーションに対してどのように対処できるかを論じる。
関連論文リスト
- Multi-Agent Reinforcement Learning for Power Control in Wireless
Networks via Adaptive Graphs [1.1861167902268832]
多エージェント深部強化学習(MADRL)は、電力制御のような幅広い複雑な最適化問題に対処するための有望な手法として登場した。
本稿では,これらの課題を緩和する有効な手段として,分散エージェント間の通信誘導構造としてグラフを用いることを提案する。
論文 参考訳(メタデータ) (2023-11-27T14:25:40Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-10T00:21:10Z) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳(メタデータ) (2023-06-15T08:33:52Z) - Communication-Efficient Zeroth-Order Distributed Online Optimization:
Algorithm, Theory, and Applications [9.045332526072828]
本稿では,目標追跡のためのフェデレーション学習環境におけるマルチエージェントゼロ階オンライン最適化問題に焦点を当てる。
提案手法は、2つの関連するアプリケーションにおけるエラーとエラーの観点からさらに解析される。
論文 参考訳(メタデータ) (2023-06-09T03:51:45Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳(メタデータ) (2023-04-07T13:41:08Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳(メタデータ) (2022-11-01T14:16:05Z) - State-Augmented Learnable Algorithms for Resource Management in Wireless
Networks [124.89036526192268]
本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。
提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
論文 参考訳(メタデータ) (2022-07-05T18:02:54Z) - Learning Resilient Radio Resource Management Policies with Graph Neural
Networks [124.89036526192268]
我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。
有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。
このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
論文 参考訳(メタデータ) (2022-03-07T19:40:39Z) - Physics and Equality Constrained Artificial Neural Networks: Application
to Partial Differential Equations [1.370633147306388]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
本稿では,この目的関数の定式化方法が,PINNアプローチにおける厳密な制約の源であることを示す。
本稿では,逆問題と前方問題の両方に対処可能な多目的フレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-30T05:55:35Z)
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。