論文の概要: Pathwise Information Certificates for Decentralized Adaptive Sensing

• arxiv url: http://arxiv.org/abs/2610.10362v1
• Date: Wed, 07 Oct 2026 16:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.040335
• Title: Pathwise Information Certificates for Decentralized Adaptive Sensing
• Title（参考訳）: 分散型適応センシングのためのパスワイズ情報認証
• Abstract要約: 複数のエージェントが通信グラフ上で情報を交換しながら、局所的な信念の進化から測定を選択できる分散適応センシングについて検討する。 適応政策によって実際に選択された測定値が、真の目標と有効な選択肢を区別するのに十分な証拠を収集したかどうかを問う。 我々は、実感軌道に沿って蓄積されたレニー・チェルノフ情報に基づくパスワイズ証明を開発する。
• 参考スコア（独自算出の注目度）: 12.482350432053648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study decentralized adaptive sensing, where multiple agents choose measurements from evolving local beliefs while exchanging information over a communication graph. We ask whether the measurements actually selected by an adaptive policy have collected enough evidence to distinguish the true target from every plausible alternative. We develop a pathwise certificate based on the Rényi--Chernoff information accumulated along the realized sensing trajectory. It yields nonasymptotic MAP-error bounds and an anytime, network-wide stopping rule for arbitrary history-dependent sensing policies, while separating accumulated statistical information from a bounded network-mixing transient. Linear growth of the information against the least-resolved competitor implies exponential decay of MAP and squared-localization error. A classical pairwise KL converse, specialized to the adaptive decentralized transcript, shows that insufficient information on any pair prevents a positive uniform error exponent, confirming the hardest competitor as a fundamental bottleneck. Across policies, graph topologies, sensor profiles, and seeds, the worst-competitor score correlates more strongly with localization speed than an average-pair proxy in both 1D ($r=0.89$ versus $0.40$) and structured 2D sensing ($r=0.77$ versus $0.48$). Our results provide a practical way to certify and diagnose adaptive multi-agent sensing systems using the evidence they actually collect.
• Abstract（参考訳）: 複数のエージェントが通信グラフ上で情報を交換しながら、局所的な信念の進化から測定を選択できる分散適応センシングについて検討する。 適応政策によって実際に選択された測定値が、真の目標と有効な選択肢を区別するのに十分な証拠を収集したかどうかを問う。 我々は、実感軌道に沿って蓄積されたレニー・チェルノフ情報に基づくパスワイズ証明を開発する。 非漸近的なMAP-エラー境界と、任意の履歴に依存したセンシングポリシーに対するネットワーク全体の停止規則を得られると同時に、蓄積された統計情報を有界なネットワーク混合トランジェントから分離する。 最小解の競合に対する情報の線形成長はMAPの指数的崩壊と2乗局所化誤差を暗示する。 古典的なペアワイズ KL の逆は、適応的な分散化文字起こしに特化しており、任意のペアに関する不十分な情報が正の均一なエラー指数を妨げ、最も難しい競合を基本的なボトルネックとして確認することを示している。 ポリシー、グラフトポロジ、センサープロファイル、種子全体にわたって、最悪の競合相手のスコアは、1D(r=0.89ドル対0.40ドル)と構造化された2Dセンシング(r=0.77ドル対0.48ドル)の両方における平均ペアプロキシよりも、ローカライズ速度と強く相関している。 本結果は,実際に収集した証拠を用いて適応型マルチエージェントセンシングシステムの認証と診断を行うための実用的な方法である。

関連論文リスト

• Federated Targeted Maximum Likelihood Estimation [15.722746871859593]
  クロスサイロ学習は計算をデータに移動させ、合意された要約を交換する。 我々は2つのサイロを通して、任意の目標、損失、変動家族のためのターゲティング自体を連携させた。 FedTMLEGは、局所的な勾配を集約し、ステップの集中的なターゲティングステップを再現する。 FedTMLELは、各機関が適合した更新を単一に交換する前に、独自のゆらぎを完了させる。
  論文  参考訳（メタデータ） (2026-09-24T19:43:40Z)
• Online Supervised Dimension Reduction with Random Features: Diagnostics and Computational Trade-offs [3.7044133020722954]
  Online Kernel Supervised principal Component Analysis (OKSPCA)は、有限乱数係数座標における中心となるクロスモーメントと、確立された目的に対するAdamスタイルの正則基底更新を組み合わせたものである。 有限乱数係数座標における中心的クロスモーメントと、確立された目的に対するAdamスタイルの正規直交基底更新を組み合わせたOKSPCAについて、これらの区別について検討する。
  論文  参考訳（メタデータ） (2026-09-17T14:19:29Z)
• GEPC: Group-Equivariant Posterior Consistency for Out-of-Distribution Detection in Diffusion Models [5.205040944294552]
  G EPC (Group-Equivariant Posterior Consistency) は、学習したスコアがいかに一貫して変換されるかを測定する訓練のないプローブである。 近年の拡散ベースラインと比較して, G EPC は AUROC の競争力や向上を実現している。
  論文  参考訳（メタデータ） (2026-01-30T08:58:13Z)
• Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories [9.895353254067894]
  都市間交通における異常な停止検知は、乗客の安全、運転の信頼性、規制の遵守を保証するために重要である。 既存の方法は、しばしば密度の高いサンプリングや規則的な動きパターンを仮定し、適用性を制限する。 本研究では,局所空間時間密度に基づいてセグメント境界を適応的に定義するスパーシティ・アウェア (SAS) 手法を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:22:34Z)
• Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
  本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。 テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
  論文  参考訳（メタデータ） (2025-09-29T08:52:30Z)
• Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
  現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。 データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。 サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。 本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
  論文  参考訳（メタデータ） (2025-07-30T03:20:15Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• QuTE: decentralized multiple testing on sensor networks with false discovery rate control [93.1040521878626]
  本稿では、偽発見率(FDR)の証明可能な保証を備えたグラフ上での分散多重仮説検定法を設計する。 異なるエージェントが無向グラフのノードに存在し、各エージェントはそのノードに局所的な1つ以上の仮説に対応するp値を持つ。 各エージェントは、グラフ全体の大域的FDRが予め定義されたレベルで制御されなければならないという共同目的のもと、隣人とのみ通信することで、それぞれのローカル仮説の1つ以上の拒絶を個別に決めなければならない。
  論文  参考訳（メタデータ） (2022-10-09T19:48:39Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。