存在低秩噪声时的去中心化学习
机器学习
2022-03-21 v1 多智能体系统
信号处理
摘要
网络中智能体收集的观测可能因观测噪声或干扰而不可靠。本文提出一种分布式算法，使每个节点仅依靠局部计算以及与直接邻居的交互即可提高其自身观测的可靠性，前提是网络监测的场（图信号）位于低维子空间中，且除通常的满秩噪声外还存在低秩噪声。虽然斜投影可用于将测量值沿与该子空间斜交的方向投影到低秩子空间，但所得解并非分布式的。从集中式解出发，我们提出一种以迭代且分布式的方式对整体观测集合执行向信号子空间斜投影的算法。随后我们展示了如何将斜投影框架扩展以处理网络上的分布式学习与自适应问题。
引用
@article{arxiv.2203.09810,
title = {Dencentralized learning in the presence of low-rank noise},
author = {Roula Nassif and Virginia Bordignon and Stefan Vlaski and Ali H. Sayed},
journal= {arXiv preprint arXiv:2203.09810},
year = {2022}
}