論文の概要: Resource-Efficient Distributed Recursive Gaussian Processes

• arxiv url: http://arxiv.org/abs/2609.26979v1
• Date: Tue, 22 Sep 2026 19:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.73839
• Title: Resource-Efficient Distributed Recursive Gaussian Processes
• Title（参考訳）: 資源効率の良い分散再帰ガウス過程
• Abstract要約: 多出力GP回帰のためのADMM-RGPおよびPDMM-RGPアルゴリズムを開発した。 両アルゴリズムは, 技術状況に対して, コミュニケーションを著しく低減できることを示す。
• 参考スコア（独自算出の注目度）: 4.460583138505673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian processes (GPs) provide a flexible framework for learning unknown functions from noisy measurements while quantifying predictive uncertainty, making them well suited for estimation in multi-agent systems. However, when measurements are collected by multiple agents, maintaining a unified GP model without centralized processing requires efficient distributed algorithms that can operate using local measurements and communication with neighboring agents. In this work, we develop two distributed recursive GP (RGP) algorithms for multi-output GP regression: ADMM-RGP and PDMM-RGP. We analyze the stability and convergence of both algorithms and develop parameter selection strategies to accelerate convergence, thus reducing the communication burden. The proposed methods are validated on a real-world multi-output wind dataset, and their convergence behavior is examined across communication graphs with varying connectivity. Numerical experiments demonstrate that ADMM-RGP and PDMM-RGP can significantly reduce communication relative to the state of the art, while maintaining comparable estimation accuracy and network-wide consensus.
• Abstract（参考訳）: ガウス過程(GP)は、予測の不確実性を定量化しながらノイズ測定から未知の関数を学習するための柔軟なフレームワークを提供する。 しかし、複数のエージェントによって測定が収集される場合、集中処理なしで統一GPモデルを維持するには、局所的な測定と近隣エージェントとの通信によって動作可能な効率的な分散アルゴリズムが必要である。 本研究では,多出力GPレグレッションのための分散再帰GP(RGP)アルゴリズムであるADMM-RGPとPDMM-RGPを開発した。 両アルゴリズムの安定性と収束性を解析し,収束を加速するパラメータ選択戦略を開発し,通信負担を軽減する。 提案手法は実世界のマルチアウトプット・ウインド・データセット上で検証され,その収束挙動は様々な接続性を持つ通信グラフ間で検証される。 数値実験により、ADMM-RGPとPDMM-RGPは、同等の推定精度とネットワーク全体のコンセンサスを維持しながら、最先端技術に対する通信を大幅に削減できることが示された。

関連論文リスト

• Asynchronous Cooperative Online Learning for Multi-Robot Control under Computational Delays [8.069079616548086]
  本研究では,協調ロボットシステムのための非同期協調学習戦略を提案する。 予測精度、クエリポイントのバリエーション、遅延効果を考慮に入れている。 随伴MASに基づく分散制御法が開発され、所望の制御性能が確保される。
  論文  参考訳（メタデータ） (2026-08-30T05:11:02Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• 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)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Modular Gaussian Processes for Transfer Learning [0.0]
  モジュラー変動ガウス過程(GP)に基づく移動学習のためのフレームワークを提案する。 我々は,データを再考することなく,アンサンブルGPモデルを構築するモジュールベースの手法を開発した。 本手法は、望ましくないデータの集中化を回避し、計算コストの増大を低減し、学習後の不確実性指標の伝達を可能にする。
  論文  参考訳（メタデータ） (2021-10-26T09:15:18Z)
• Lightweight Distributed Gaussian Process Regression for Online Machine Learning [2.0305676256390934]
  エージェントのグループは、ストリーミングデータを通じて共通の静的潜伏関数を協調的に学習することを目指している。 本稿では,通信,計算,メモリにおけるエージェントの限られた能力を認識する軽量分散ガウスプロセス回帰(GPR)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-11T01:13:22Z)
• 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)
• Communication Efficient Distributed Learning with Censored, Quantized, and Generalized Group ADMM [52.12831959365598]
  本稿では,相互接続作業者のネットワーク上で定義されたコンセンサス最適化問題を解決するための,コミュニケーション効率のよい分散機械学習フレームワークを提案する。 提案アルゴリズムであるCensored and Quantized Generalized GADMMは、GADMM(Group Alternating Direction Method of Multipliers)の労働者グループ化と分散学習のアイデアを活用する。 CQ-GGADMMは通信ラウンド数で高い通信効率を示し、精度と収束速度を損なうことなくエネルギー消費を伝達する。
  論文  参考訳（メタデータ） (2020-09-14T14:18:19Z)
• Q-GADMM: Quantized Group ADMM for Communication Efficient Decentralized Machine Learning [66.18202188565922]
  我々はQGADMM(QGADMM)という通信効率の高い分散機械学習(ML)アルゴリズムを提案する。 我々は,凸関数に対するQGADMMの収束性を証明しつつ,モデル化レベルとその確率を適応的に調整する新しい量子化法を開発した。
  論文  参考訳（メタデータ） (2019-10-23T10:47:06Z)

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。