論文の概要: Distributed Online Submodular Maximization under Communication Delays: A Simultaneous Decision-Making Approach
- arxiv url: http://arxiv.org/abs/2603.27803v1
- Date: Sun, 29 Mar 2026 18:35:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.124378
- Title: Distributed Online Submodular Maximization under Communication Delays: A Simultaneous Decision-Making Approach
- Title（参考訳）: 通信遅延下における分散オンラインサブモジュールの最大化:同時意思決定アプローチ
- Authors: Zirui Xu, Vasileios Tzoumas,
- Abstract要約: 我々は、未知および動的環境における未来の分散情報収集タスクに動機付けられている。
オンラインサブモジュールのアプローチは、シーケンシャルなマルチホップ通信に依存するか、あるいは禁止的な遅延をもたらす。
我々は,対戦型学習のツールと遅延フィードバックを統合し,同時意思決定を可能にする分散オンライングリーディ(DOG)アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 6.522338519818377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We provide a distributed online algorithm for multi-agent submodular maximization under communication delays. We are motivated by the future distributed information-gathering tasks in unknown and dynamic environments, where utility functions naturally exhibit the diminishing-returns property, i.e., submodularity. Existing approaches for online submodular maximization either rely on sequential multi-hop communication, resulting in prohibitive delays and restrictive connectivity assumptions, or restrict each agent's coordination to its one-hop neighborhood only, thereby limiting the coordination performance. To address the issue, we provide the Distributed Online Greedy (DOG) algorithm, which integrates tools from adversarial bandit learning with delayed feedback to enable simultaneous decision-making across arbitrary network topologies. We provide the approximation performance of DOG against an optimal solution, capturing the suboptimality cost due to decentralization as a function of the network structure. Our analyses further reveal a trade-off between coordination performance and convergence time, determined by the magnitude of communication delays. By this trade-off, DOG spans the spectrum between the state-of-the-art fully centralized online coordination approach [1] and fully decentralized one-hop coordination approach [2].
- Abstract（参考訳）: 通信遅延下でのマルチエージェントサブモジュールの最大化のための分散オンラインアルゴリズムを提案する。
我々は未知および動的環境における将来の分散情報収集タスクに動機付けられており、ユーティリティ関数は自然に減退特性、すなわちサブモジュラリティを示す。
オンラインサブモジュールの最大化のための既存のアプローチは、シーケンシャルなマルチホップ通信に依存しており、結果として禁止的な遅延と制限的な接続仮定が生じるか、あるいは各エージェントの調整をワンホップ近傍のみに制限し、調整性能を制限している。
この問題に対処するために、敵の帯域学習から遅延フィードバックまでツールを統合し、任意のネットワークトポロジ間で同時決定を可能にする分散オンライングリーディ(DOG)アルゴリズムを提供する。
本稿では,ネットワーク構造の関数としての分散化による最適解に対するDOGの近似性能について述べる。
さらに, 通信遅延の大きさから, コーディネート性能と収束時間とのトレードオフを明らかにした。
このトレードオフによって、DOGは最先端の完全集中型オンラインコーディネーションアプローチ[1]と完全に分散化されたワンホップコーディネーションアプローチ[2]のスペクトルにまたがる。
関連論文リスト
- Self-Configurable Mesh-Networks for Scalable Distributed Submodular Bandit Optimization [6.522338519818377]
本研究では、帯域幅、データレート、接続性において、現実的な通信制約の下で分散帯域のサブモジュール協調をスケールする方法について検討する。
提案手法は,エージェントの通信エリアを時間とともに最適化することにより,ほぼ最適な行動調整を可能にする。
より高速に収束し、帯域幅のサブモジュラー調整のためのベンチマークより優れ、環境の事前知識によって特権付けられるベンチマークよりも優れていることが観察される。
論文 参考訳（メタデータ） (2026-02-22T22:36:37Z) - Distributed Online Convex Optimization with Nonseparable Costs and Constraints [7.671875264854638]
本研究では,コミュニケーショングラフを介してネットワーク化されたエージェント群について検討し,非分離的グローバルコスト関数の列を最小化するためのアクションを集合的に選択する。
本稿では,各エージェントがグローバルな集団決定のローカルな信念を維持・更新する分散オンライン・プライマリ・デュアル・コンセンサス・コンセンサス・アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-02-11T02:46:53Z) - Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。
本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-12-14T06:17:33Z) - Performance-Aware Self-Configurable Multi-Agent Networks: A Distributed Submodular Approach for Simultaneous Coordination and Network Design [3.5527561584422465]
本稿では、AlterNAting Coordination and Network-Design Algorithm(Anaconda)を紹介する。
Anacondaはスケーラブルなアルゴリズムで、ほぼ最適性を保証する。
地域モニタリングのシミュレーションシナリオを実演し,それを最先端のアルゴリズムと比較する。
論文 参考訳（メタデータ） (2024-09-02T18:11:33Z) - Lower Bounds and Optimal Algorithms for Non-Smooth Convex Decentralized Optimization over Time-Varying Networks [57.24087627267086]
通信ネットワークのノード間で分散的に格納された凸関数の総和を最小化するタスクについて検討する。
この問題を解決するのに必要な分散通信数と(サブ)漸進計算の下位境界が確立されている。
我々は,これらの下界に適合する最初の最適アルゴリズムを開発し,既存の最先端技術と比較して理論性能を著しく向上させる。
論文 参考訳（メタデータ） (2024-05-28T10:28:45Z) - Communication-Efficient Zeroth-Order Distributed Online Optimization:
Algorithm, Theory, and Applications [9.045332526072828]
本稿では,目標追跡のためのフェデレーション学習環境におけるマルチエージェントゼロ階オンライン最適化問題に焦点を当てる。
提案手法は、2つの関連するアプリケーションにおけるエラーとエラーの観点からさらに解析される。
論文 参考訳（メタデータ） (2023-06-09T03:51:45Z) - Decentralized Federated Reinforcement Learning for User-Centric Dynamic
TFDD Control [37.54493447920386]
非対称かつ不均一なトラフィック要求を満たすための学習に基づく動的時間周波数分割二重化(D-TFDD)方式を提案する。
分散化された部分観測可能なマルコフ決定過程(Dec-POMDP)として問題を定式化する。
本稿では,グローバルリソースを分散的に最適化するために,Wolpertinger Deep Deterministic Policy gradient (FWDDPG)アルゴリズムという,連合強化学習(RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-04T07:39:21Z) - Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated
Split Learning [56.125720497163684]
無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。
ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
論文 参考訳（メタデータ） (2022-09-02T10:29:56Z) - Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless
Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。
本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T18:24:47Z) - Low-Latency Federated Learning over Wireless Channels with Differential
Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。
本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文 参考訳（メタデータ） (2021-06-20T13:51:18Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z)
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。