論文の概要: Decentralized Online Ensembles of Gaussian Processes for Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2502.05301v1
- Date: Fri, 07 Feb 2025 20:10:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:34:05.587073
- Title: Decentralized Online Ensembles of Gaussian Processes for Multi-Agent Systems
- Title（参考訳）: マルチエージェントシステムのためのガウス過程の分散オンラインアンサンブル
- Authors: Fernando Llorente, Daniel Waxman, Petar M. Djurić,
- Abstract要約: ガウス過程のランダムな特徴近似を計算するための、完全に分散された正確な解を導入する。
得られたアルゴリズムは、シミュレーションおよび実世界のデータセット上でベイズ的および頻繁な手法に対してテストされる。
- 参考スコア（独自算出の注目度）: 45.2233252981348
- License:
- Abstract: Flexible and scalable decentralized learning solutions are fundamentally important in the application of multi-agent systems. While several recent approaches introduce (ensembles of) kernel machines in the distributed setting, Bayesian solutions are much more limited. We introduce a fully decentralized, asymptotically exact solution to computing the random feature approximation of Gaussian processes. We further address the choice of hyperparameters by introducing an ensembling scheme for Bayesian multiple kernel learning based on online Bayesian model averaging. The resulting algorithm is tested against Bayesian and frequentist methods on simulated and real-world datasets.
- Abstract（参考訳）: 柔軟でスケーラブルな分散学習ソリューションは、マルチエージェントシステムの応用において、基本的に重要である。
最近のいくつかのアプローチでは、分散環境でカーネルマシン(アンサンブル)を導入するが、ベイジアンソリューションはより限定的である。
ガウス過程のランダムな特徴近似を計算するための、完全に分散された漸近的に正確な解を導入する。
さらに、オンラインベイズモデル平均化に基づくベイズマルチカーネル学習のためのアンサンブルスキームを導入することで、ハイパーパラメータの選択に対処する。
得られたアルゴリズムは、シミュレーションおよび実世界のデータセット上でベイズ的および頻繁な手法に対してテストされる。
関連論文リスト
- Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks [66.18765335695414]
本稿では,アグリゲーションエラーを最小限に抑え,選択したデバイス数を最大化する目的で,共同装置の選択とアグリゲーションビームフォーミング設計について検討する。
コスト効率のよい方法でこの問題に取り組むために,ランダムな集合ビームフォーミング方式を提案する。
また, 得られた集計誤差と, デバイス数が大きい場合に選択したデバイス数についても解析を行った。
論文 参考訳（メタデータ） (2024-02-20T23:59:45Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Sparsity-Aware Distributed Learning for Gaussian Processes with Linear Multiple Kernel [20.98449975854329]
本稿では,新しいGP線形多重カーネル (LMK) と,ハイパーパラメータを最適化する汎用空間認識分散学習フレームワークを提案する。
新たに提案されたグリッドスペクトル混合製品(GSMP)カーネルは,多次元データ用に調整されている。
そこで本研究では,Sparse LInear Multiple Kernel Learning (SLIM-KL) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-15T07:05:33Z) - An Online Multiple Kernel Parallelizable Learning Scheme [6.436174170552483]
本稿では,カーネル選択バイアスを低減するために,複数の単一カーネルベースのオンライン手法を巧みに組み合わせた学習手法を提案する。
提案手法は、正規化された経験的リスク最小化凸問題として定式化されたタスクに適用される。
論文 参考訳（メタデータ） (2023-08-19T20:15:02Z) - Fully Decentralized, Scalable Gaussian Processes for Multi-Agent
Federated Learning [14.353574903736343]
マルチエージェントシステムにおけるGPトレーニングと予測のための分散およびスケーラブルなアルゴリズムを提案する。
提案手法の有効性を,合成および実データに関する数値実験で示す。
論文 参考訳（メタデータ） (2022-03-06T02:54:13Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Distributed Variational Bayesian Algorithms Over Sensor Networks [6.572330981878818]
一般ベイズ推論問題に対する2つの新しい分散VBアルゴリズムを提案する。
提案アルゴリズムは、核融合センターで利用可能な全データに依存する集中型VBアルゴリズムとほぼ同等の性能を有する。
論文 参考訳（メタデータ） (2020-11-27T08:12:18Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳（メタデータ） (2020-10-02T10:41:59Z) - Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。
本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。
ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文 参考訳（メタデータ） (2020-06-11T19:40:38Z)
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。