分布式检测：有限时间分析与网络拓扑的影响
最优化与控制
2014-10-01 v1 机器学习
社会与信息网络
机器学习
摘要
本文探讨了多智能体网络中的分布式检测问题。智能体接收关于未知世界状态的私有信号。底层状态在全局范围内是可识别的，但信息性信号可能分散在整个网络中。利用基于优化的框架，我们开发了一种用于更新个体信念的迭代局部策略。与现有文献关注渐近学习不同，我们提供了有限时间分析。此外，我们引入了 Kullback-Leibler 代价，以比较该算法与其集中式对应算法的效率。我们对代价的界用网络规模、谱隙、每个智能体的中心性以及智能体信号结构的相对熵来表示。一个关键观察结果是，将更多信息性信号分配给中心智能体会导致更快的学习速率。此外，通过优化权重，我们可以通过改善谱隙来加速学习。我们还量化了对称网络中链路故障对学习速度的影响。最后，我们提供了数值模拟以验证我们的理论结果。
引用
@article{arxiv.1409.8606,
title = {Distributed Detection : Finite-time Analysis and Impact of Network Topology},
author = {Shahin Shahrampour and Alexander Rakhlin and Ali Jadbabaie},
journal= {arXiv preprint arXiv:1409.8606},
year = {2014}
}
备注
29 pages, 5 figures