論文の概要: Fast and Robust State Estimation and Tracking via Hierarchical Learning
- arxiv url: http://arxiv.org/abs/2306.17267v2
- Date: Fri, 13 Sep 2024 21:29:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-18 03:47:45.026620
- 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 Erdogmus, Lili Su,
- Abstract要約: 我々は,大規模ネットワークにおけるコンバージェンスを高速化し,状態推定と追跡のレジリエンスを高めることを目的としている。
我々は,水中音響ネットワークと大規模合成ネットワークのシミュレーション研究を通じて,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): 9.341558827016332
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Fast and reliable state estimation and tracking are essential for real-time situation awareness in Cyber-Physical Systems (CPS) operating in tactical environments or complicated civilian environments. Traditional centralized solutions do not scale well whereas existing fully distributed solutions over large networks suffer slow convergence, and are vulnerable to a wide spectrum of communication failures. In this paper, we aim to speed up the convergence and enhance the resilience of state estimation and tracking for large-scale networks using a simple hierarchical system architecture. We propose two ``consensus + innovation'' algorithms, both of which rely on a novel hierarchical push-sum consensus component. We characterize their convergence rates under a linear local observation model and minimal technical assumptions. We numerically validate our algorithms through simulation studies of underwater acoustic networks and large-scale synthetic networks.
- Abstract(参考訳): CPS(Cyber-Physical Systems)の戦術的環境や複雑な民間環境でのリアルタイムな状況認識には,高速かつ信頼性の高い状態推定と追跡が不可欠である。
従来の集中型ソリューションはスケールが良くないが、大規模ネットワーク上の既存の完全分散ソリューションは収束が遅く、幅広い通信障害に対して脆弱である。
本稿では,単純な階層型システムアーキテクチャを用いた大規模ネットワークにおける収束を高速化し,状態推定と追跡のレジリエンスを高めることを目的とする。
本稿では,新しい階層的なプッシュサムコンセンサスコンポーネントに依存した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。
線形局所観測モデルと最小限の技術的仮定の下でそれらの収束率を特徴づける。
我々は,水中音響ネットワークと大規模合成ネットワークのシミュレーション研究を通じて,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
- DIGEST: Fast and Communication Efficient Decentralized Learning with Local Updates [4.3707341422218215]
広く検討されている分散学習アルゴリズムは、Gossipとランダムウォークベースの学習である。
高速で通信効率のよい非同期分散学習機構DIGESTを設計する。
我々は、ロジスティック回帰とディープニューラルネットワークResNet20のためのシングルストリームおよびマルチストリームDIGESTの性能を評価する。
論文 参考訳(メタデータ) (2023-07-14T22:58:20Z) - Network-GIANT: Fully distributed Newton-type optimization via harmonic
Hessian consensus [2.8617826964327113]
本稿では,GIANTに基づくNewton型完全分散最適化アルゴリズムであるNetwork-GIANTを紹介する。
このアルゴリズムは,強い凸関数と滑らかな損失関数を仮定して,ネットワーク上の厳密解に対する半言語的および指数的収束を保証する。
我々は,Network-DANEやNewton-Raphson Consensusのような最先端の分散学習アルゴリズムに比べて,Network-GIANTの収束性能が優れていることを示す実証的な証拠を提供する。
論文 参考訳(メタデータ) (2023-05-13T11:42:40Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-10-21T07:25:57Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳(メタデータ) (2022-09-21T02:33:07Z) - Ground state search by local and sequential updates of neural network
quantum states [3.3711670942444023]
本稿では,ニューラルネットワーク量子状態の局所最適化手法を提案する。
制限ボルツマンマシンを用いた非可積分傾動イジングモデルの基底状態エネルギーと相関関係を解析した。
連続的な局所的な更新は、基底状態に近いエネルギーと相関を持つ状態へのより高速な収束をもたらす可能性がある。
このアプローチの一般性を示すために、これを 1D と 2D の非可積分スピン系の両方に適用する。
論文 参考訳(メタデータ) (2022-07-22T05:24:19Z) - 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) - Centralizing State-Values in Dueling Networks for Multi-Robot
Reinforcement Learning Mapless Navigation [87.85646257351212]
本稿では,CTDE(Training and Decentralized Execution)パラダイムにおけるマルチロボットマップレスナビゲーションの問題点について考察する。
この問題は、各ロボットが観察を他のロボットと明示的に共有することなく、その経路を考えると困難である。
我々は,集中型状態値ネットワークを用いて共同状態値を計算するCTDEの新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-12-16T16:47:00Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - 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) - Decentralized Deep Learning using Momentum-Accelerated Consensus [15.333413663982874]
複数のエージェントが協調して分散データセットから学習する分散ディープラーニングの問題を考える。
本稿では,エージェントが固定された通信トポロジ上で対話する分散ディープラーニングアルゴリズムを提案し,解析する。
本アルゴリズムは,勾配に基づくプロトコルで用いられるヘビーボール加速度法に基づく。
論文 参考訳(メタデータ) (2020-10-21T17:39:52Z) - A Unified Theory of Decentralized SGD with Changing Topology and Local
Updates [70.9701218475002]
分散通信方式の統一収束解析を導入する。
いくつかの応用に対して普遍収束率を導出する。
私たちの証明は弱い仮定に依存している。
論文 参考訳(メタデータ) (2020-03-23T17:49:15Z)
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。