有限时间内以有限通信量实现分布式假设检验与社会学习
多智能体系统
2020-04-06 v1 信息论
机器学习
math.IT
摘要
我们考虑分布式假设检验（或社会学习）问题，其中智能体网络基于每个智能体接收到的一系列随机信号，从有限假设集合中识别世界的真实状态。该问题的已有工作提供了保证渐近学习真实状态的分布式算法，并相应致力于提高学习速率。在本文中，我们首先指出可以容易地修改现有的渐近学习算法以实现有限时间内的学习，从而有效地产生任意大（渐近）的速率。然后，我们提供一种用于有限时间学习的简单算法，该算法仅要求智能体在每个时间步与邻居交换一个二进制向量（长度等于可能假设的数量）。最后，我们表明如果智能体知道网络直径，我们的算法可进一步修改，以允许所有智能体在有限个时间步后学习真实状态并停止向邻居传输。
引用
@article{arxiv.2004.01306,
title = {Distributed Hypothesis Testing and Social Learning in Finite Time with a Finite Amount of Communication},
author = {Shreyas Sundaram and Aritra Mitra},
journal= {arXiv preprint arXiv:2004.01306},
year = {2020}
}