論文の概要: Fast and Robust State Estimation and Tracking via Hierarchical Learning
- arxiv url: http://arxiv.org/abs/2306.17267v1
- Date: Thu, 29 Jun 2023 19:07:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 14:12:35.542876
- Title: Fast and Robust State Estimation and Tracking via Hierarchical Learning
- Title（参考訳）: 階層学習による高速かつロバストな状態推定と追跡
- Authors: Connor Mclaughlin, Matthew Ding, Deniz Edogmus, Lili Su
- Abstract要約: 状態推定と追跡問題に対する2つのコンセンサス+イノベーションアルゴリズムを提案する。
我々は,状態推定と追跡問題の両方のシミュレーションにより,我々のアルゴリズムを数値的に検証する。
- 参考スコア（独自算出の注目度）: 2.236663830879273
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Fully distributed estimation and tracking solutions to large-scale
multi-agent networks suffer slow convergence and are vulnerable to network
failures. In this paper, we aim to speed up the convergence and enhance the
resilience of state estimation and tracking using a simple hierarchical system
architecture wherein agents are clusters into smaller networks, and a parameter
server exists to aid the information exchanges among networks. The information
exchange among networks is expensive and occurs only once in a while.
We propose two consensus + innovation algorithms for the state estimation and
tracking problems, respectively. In both algorithms, we use a novel
hierarchical push-sum consensus component. For the state estimation, we use
dual averaging as the local innovation component. State tracking is much harder
to tackle in the presence of dropping-link failures and the standard
integration of the consensus and innovation approaches are no longer
applicable. Moreover, dual averaging is no longer feasible. Our algorithm
introduces a pair of additional variables per link and ensure the relevant
local variables evolve according to the state dynamics, and use projected local
gradient descent as the local innovation component. We also characterize the
convergence rates of both of the algorithms under linear local observation
model and minimal technical assumptions. We numerically validate our algorithm
through simulation of both state estimation and tracking problems.
- Abstract（参考訳）: 大規模マルチエージェントネットワークに対する完全な分散推定と追跡ソリューションは、収束が遅く、ネットワーク障害に弱い。
本稿では,エージェントがより小さなネットワークにクラスタ化され,パラメータサーバがネットワーク間の情報交換を支援する単純な階層型システムアーキテクチャを用いて,収束を高速化し,状態推定とトラッキングのレジリエンスを高めることを目的とする。
ネットワーク間の情報交換は高価であり、たまに一度だけ発生する。
状態推定問題と追跡問題それぞれについて,コンセンサス+イノベーションアルゴリズムを2つ提案する。
どちらのアルゴリズムでも,新しい階層型プッシュサムコンセンサスコンポーネントを使用する。
状態推定には、ローカルなイノベーションコンポーネントとして2重平均化を使用します。
状態トラッキングは、ダウンリンク障害の存在下での対処がはるかに難しく、コンセンサスとイノベーションのアプローチの標準統合はもはや適用できない。
さらに、二重平均化はもはや不可能である。
提案アルゴリズムでは,リンク毎に一対の追加変数を導入し,関連する局所変数が状態ダイナミクスに従って進化することを保証し,局所勾配勾配を局所的革新成分として用いる。
また、線形局所観測モデルと最小の技術的仮定の下で、両方のアルゴリズムの収束率を特徴付ける。
我々は,状態推定と追跡問題の両方のシミュレーションにより,我々のアルゴリズムを数値的に検証する。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。
我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。
本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
論文 参考訳（メタデータ） (2024-05-08T17:28:07Z) - Node Centrality Approximation For Large Networks Based On Inductive
Graph Neural Networks [2.4012886591705738]
ネットワーク分析において、クローズネス中央度(CC)とブロードネス中央度(BC)が重要な指標である。
大規模なネットワーク上での実践的な実装は、その高速な複雑さのため、計算的に要求される。
本稿では,CNCA-IGEモデルを提案する。CNCA-IGEモデルは,CCやBCのメトリクスに基づいてノードをランク付けするインダクティブグラフエンコーダ・デコーダモデルである。
論文 参考訳（メタデータ） (2024-03-08T01:23:12Z) - Generalization and Estimation Error Bounds for Model-based Neural
Networks [78.88759757988761]
スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。
我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
論文 参考訳（メタデータ） (2023-04-19T16:39:44Z) - Verification of Neural-Network Control Systems by Integrating Taylor
Models and Zonotopes [0.0]
ニューラルネットワークコントローラ(NNCS)を用いた閉ループ力学系の検証問題について検討する。
本稿では,Taylorモデルとzonotopesに基づくアプローチをチェーンするアルゴリズムを提案し,NNCSの精度の高い到達性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-16T20:46:39Z) - Algorithm Unrolling for Massive Access via Deep Neural Network with
Theoretical Guarantee [30.86806523281873]
大規模アクセスはIoT(Internet of Things)ネットワークにおける重要な設計課題である。
我々は、マルチアンテナベースステーション(BS)と多数の単一アンテナIoTデバイスを備えたIoTネットワークの無許可アップリンク伝送を検討する。
本稿では,低計算複雑性と高ロバスト性を実現するために,ディープニューラルネットワークに基づく新しいアルゴリズムアンローリングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-19T05:23:05Z) - Revisiting the double-well problem by deep learning with a hybrid
network [7.308730248177914]
本稿では,lstmとresnetの2種類のニューラルネットワークを統合するハイブリッドネットワークを提案する。
このようなハイブリッドネットワークは、空間的または時間的変調が速いシステムにおける協調ダイナミクスの解決に応用できる。
論文 参考訳（メタデータ） (2021-04-25T07:51:43Z) - Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。
今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。
実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。
本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
論文 参考訳（メタデータ） (2021-02-18T13:49:28Z) - Unsupervised Monocular Depth Learning with Integrated Intrinsics and
Spatio-Temporal Constraints [61.46323213702369]
本研究は,大規模深度マップとエゴモーションを予測可能な教師なし学習フレームワークを提案する。
本結果は,KITTI運転データセットの複数シーケンスにおける現在の最先端技術と比較して,高い性能を示す。
論文 参考訳（メタデータ） (2020-11-02T22:26:58Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-07-27T12:38:37Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z)
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。