用于定位的联邦平滑ADMM
机器学习
2025-03-13 v1
摘要
本文解决了联邦设置中的定位挑战，其特征是分布式数据、非凸性和非光滑性。为应对此类环境中固有的可扩展性和异常值问题，我们提出了一种鲁棒算法，在新颖的联邦ADMM框架中采用ℓ₁-范数公式。该方法通过引入总变分共识项的迭代平滑近似，以及对以减法形式出现的凸函数的Moreau包络近似来解决问题。这一变换确保了问题在每次迭代中是光滑且弱凸的，从而提高了计算效率并改善了估计精度。所提出的算法支持异步更新和每次迭代的多客户端更新，确保其对真实联邦系统的适应性。为验证所提算法的可靠性，我们证明了该方法收敛到驻点，数值模拟展示了其在收敛速度和异常值鲁棒性方面相较于现有最先进定位方法的优越性能。
引用
@article{arxiv.2503.09497,
title = {Federated Smoothing ADMM for Localization},
author = {Reza Mirzaeifard and Ashkan Moradi and Masahiro Yukawa and Stefan Werner},
journal= {arXiv preprint arXiv:2503.09497},
year = {2025}
}