論文の概要: A Survey of Decentralized Online Learning
- arxiv url: http://arxiv.org/abs/2205.00473v1
- Date: Sun, 1 May 2022 14:10:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 16:39:52.202600
- Title: A Survey of Decentralized Online Learning
- Title(参考訳): 分散オンライン学習に関する調査
- Authors: Xiuxian Li, Lihua Xie, and Na Li
- Abstract要約: 分散オンライン学習(DOL)はこの10年間でますます研究されている。
本稿では,問題設定,通信,計算,性能の観点から,DOLの概要を概観する。
- 参考スコア(独自算出の注目度): 23.48579861824381
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Decentralized online learning (DOL) has been increasingly researched in the
last decade, mostly motivated by its wide applications in sensor networks,
commercial buildings, robotics (e.g., decentralized target tracking and
formation control), smart grids, deep learning, and so forth. In this problem,
there are a network of agents who may be cooperative (i.e., decentralized
online optimization) or noncooperative (i.e., online game) through local
information exchanges, and the local cost function of each agent is often
time-varying in dynamic and even adversarial environments. At each time, a
decision must be made by each agent based on historical information at hand
without knowing future information on cost functions. Although this problem has
been extensively studied in the last decade, a comprehensive survey is lacking.
Therefore, this paper provides a thorough overview of DOL from the perspective
of problem settings, communication, computation, and performances. In addition,
some potential future directions are also discussed in details.
- Abstract(参考訳): 分散オンライン学習(dol)は、センサネットワーク、商用ビルディング、ロボティクス(例えば、分散ターゲット追跡とフォーメーションコントロール)、スマートグリッド、ディープラーニングなど、幅広い応用によって、過去10年間でますます研究されている。
この問題では、ローカルな情報交換を通じて協調的(すなわち分散オンライン最適化)や非協力的(すなわちオンラインゲーム)であるエージェントのネットワークがあり、各エージェントのローカルコスト関数は、動的かつ敵対的な環境でしばしば時間的に変動する。
毎回、コスト関数に関する将来の情報を知ることなく、過去の情報に基づいて各エージェントが決定を下さなければならない。
この問題は過去10年間に広く研究されてきたが、包括的な調査は欠如している。
そこで本稿では,問題設定,通信,計算,性能の観点から,DOLの概要を概観する。
さらに、将来的な方向性についても詳細に論じる。
関連論文リスト
- Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳(メタデータ) (2024-03-21T05:57:27Z) - Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。
異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。
現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文 参考訳(メタデータ) (2024-02-08T07:18:23Z) - Exploring the Impact of Disrupted Peer-to-Peer Communications on Fully
Decentralized Learning in Disaster Scenarios [4.618221836001186]
完全な分散学習により、複数のユーザデバイスやノードにまたがる学習リソースの分散が可能になる。
本研究では,災害環境下での分散学習におけるピアツーピアコミュニケーションに対する様々な障害の影響について検討する。
論文 参考訳(メタデータ) (2023-10-04T17:24:38Z) - Survey on Self-Supervised Multimodal Representation Learning and
Foundation Models [0.0]
本稿では,現代における多目的自己指導型表現学習の基盤構築に直接的あるいは間接的に責任を負うランドマーク研究論文のいくつかを要約する。
この論文は、過去数年間における各モダリティの表現学習の発展と、その後のマルチモーダルエージェントの獲得にどのように組み合わされたかについて述べる。
論文 参考訳(メタデータ) (2022-11-29T00:17:43Z) - A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。
ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。
現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。
本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
論文 参考訳(メタデータ) (2022-04-26T17:00:07Z) - Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。
フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。
我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
論文 参考訳(メタデータ) (2022-02-28T05:27:22Z) - Applications of Multi-Agent Reinforcement Learning in Future Internet: A
Comprehensive Survey [45.805062677919]
マルチエージェント強化学習(MARL)により、各ネットワークエンティティは環境だけでなく、他のエンティティのポリシーも観察することで、最適なポリシーを学ぶことができる。
MARLはネットワークエンティティの学習効率を大幅に向上させることができ、近年、新興ネットワークにおける様々な問題を解決するために使用されている。
論文 参考訳(メタデータ) (2021-10-26T08:26:55Z) - Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。
当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。
我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
論文 参考訳(メタデータ) (2021-03-08T21:48:55Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳(メタデータ) (2020-05-05T07:32:40Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z) - Distributed Learning in the Non-Convex World: From Batch to Streaming
Data, and Beyond [73.03743482037378]
分散学習は、多くの人々が想定する、大規模に接続された世界の重要な方向となっている。
本稿では、スケーラブルな分散処理とリアルタイムデータ計算の4つの重要な要素について論じる。
実践的な問題や今後の研究についても論じる。
論文 参考訳(メタデータ) (2020-01-14T14:11:32Z)
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。