論文の概要: Distributed Bayesian Estimation in Sensor Networks: Consensus on Marginal Densities

• arxiv url: http://arxiv.org/abs/2312.01227v2
• Date: Thu, 7 Dec 2023 17:55:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-08 21:19:53.866192
• Title: Distributed Bayesian Estimation in Sensor Networks: Consensus on Marginal Densities
• Title（参考訳）: センサネットワークにおける分散ベイズ推定:限界密度に関するコンセンサス
• Authors: Parth Paritosh, Nikolay Atanasov and Sonia Martinez
• Abstract要約: 連続変数上の確率分布の関数空間において、確率的確率的アルゴリズムを導出する。 これらの結果を利用して、個々のエージェントが観測する変数のサブセットに制限された新しい分散推定器を得る。 これは、協調的なローカライゼーションやフェデレートドラーニングのような応用に関係しており、任意のエージェントで収集されたデータは、関心のあるすべての変数のサブセットに依存する。
• 参考スコア（独自算出の注目度）: 15.038649101409804
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we aim to design and analyze distributed Bayesian estimation algorithms for sensor networks. The challenges we address are to (i) derive a distributed provably-correct algorithm in the functional space of probability distributions over continuous variables, and (ii) leverage these results to obtain new distributed estimators restricted to subsets of variables observed by individual agents. This relates to applications such as cooperative localization and federated learning, where the data collected at any agent depends on a subset of all variables of interest. We present Bayesian density estimation algorithms using data from non-linear likelihoods at agents in centralized, distributed, and marginal distributed settings. After setting up a distributed estimation objective, we prove almost-sure convergence to the optimal set of pdfs at each agent. Then, we prove the same for a storage-aware algorithm estimating densities only over relevant variables at each agent. Finally, we present a Gaussian version of these algorithms and implement it in a mapping problem using variational inference to handle non-linear likelihood models associated with LiDAR sensing.
• Abstract（参考訳）: 本稿では,センサネットワークのための分散ベイズ推定アルゴリズムの設計と解析を目的とする。 私たちが直面する課題は (i)連続変数上の確率分布の関数空間における分布証明正則アルゴリズムを導出し、 (ii)これらの結果を利用して、個々のエージェントが観測する変数のサブセットに限定された新しい分散推定子を得る。 これは、協調的なローカライゼーションやフェデレーション学習のような応用に関係しており、任意のエージェントで収集されたデータは、関心のあるすべての変数のサブセットに依存する。 我々は,集中的,分散的,境界的な分散設定におけるエージェントの非線形確率データを用いたベイズ密度推定アルゴリズムを提案する。 分散推定目標を設定した後、各エージェントの最適pdf集合にほぼ確実に収束することを示す。 次に,各エージェントの関連変数に対してのみ密度を推定するストレージ認識アルゴリズムについて同じことを証明した。 最後に、これらのアルゴリズムのガウス版を示し、lidarセンシングに関連する非線形次数モデルを扱うために変分推論を用いたマッピング問題に実装する。

関連論文リスト

• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Distributed Variational Inference for Online Supervised Learning [15.038649101409804]
  本稿では,スケーラブルな分散確率的推論アルゴリズムを提案する。 センサネットワークにおける連続変数、難解な後部データ、大規模リアルタイムデータに適用できる。
  論文  参考訳（メタデータ） (2023-09-05T22:33:02Z)
• Distributional Gaussian Processes Layers for Out-of-Distribution Detection [18.05109901753853]
  ディープニューラルネットワークに依存する分布外検出モデルが、医用画像の領域シフトを検出するのに適しているかどうかは不明だ。 本稿では,ワッサーシュタイン2空間で動作するガウス過程を組み込んだ階層的畳み込みガウス過程に対するパラメータ効率のよいベイズ層を提案する。 我々の不確実性推定は、以前のベイズネットワークの能力を上回る分布外検出をもたらす。
  論文  参考訳（メタデータ） (2022-06-27T14:49:48Z)
• An alternative approach for distributed parameter estimation under Gaussian settings [6.624726878647541]
  本稿では,マルチエージェントネットワーク上での分散線形パラメータ推定に対して,異なるアプローチをとる。 各エージェントにおけるセンサ測定は線形であり、付加的な白色ガウス雑音で劣化する。 そこで本研究では,コンセンサスとイノベーションの概念を融合した分散推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-14T03:49:31Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• Unsupervised tree boosting for learning probability distributions [2.8444868155827634]
  加法木アンサンブルの適合に基づく 教師なしツリーブースティングアルゴリズム アルゴリズムへの積分は「残留化」という新しい概念であり、すなわち、観測から確率分布を減じて、後者のサンプリング分布から分布構造を除去する。
  論文  参考訳（メタデータ） (2021-01-26T21:03:27Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)
• A Distributional Analysis of Sampling-Based Reinforcement Learning Algorithms [67.67377846416106]
  定常ステップサイズに対する強化学習アルゴリズムの理論解析に対する分布的アプローチを提案する。 本稿では,TD($lambda$)や$Q$-Learningのような値ベースの手法が,関数の分布空間で制約のある更新ルールを持つことを示す。
  論文  参考訳（メタデータ） (2020-03-27T05:13:29Z)

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。