信息物理与社会网络中基于交互的分布式学习
最优化与控制
2017-06-14 v1 机器学习
统计理论
统计理论
摘要
在本文中，我们考虑这样一种网络场景：智能体可以根据建模某种物理或社会交互的评分图来相互评估。目标是设计一个由智能体运行的分布式协议，使其能够在有限的可能值集合中学习其未知状态。我们提出了一个 Bayesian 框架，其中评分和状态分别与具有未知参数和超参数的随机事件相关联。我们证明，每个智能体可以通过局部 Bayesian 分类器以及结合纯 ML 和 Empirical Bayes 方法的参数-超参数的（集中式）最大似然 (ML) 估计器来学习其状态。利用图模型的工具，我们得以深入了解评分和状态的条件依赖性，并提供了两种松弛的概率模型，最终导出适合分布式计算的 ML 参数-超参数估计器。为了突出所提出的松弛方法的适用性，我们在用于异常检测的机器到机器测试平台和用于用户画像的社会交互平台上演示了分布式估计器。
引用
@article{arxiv.1706.04081,
title = {Interaction-Based Distributed Learning in Cyber-Physical and Social Networks},
author = {Francesco Sasso and Angelo Coluccia and Giuseppe Notarstefano},
journal= {arXiv preprint arXiv:1706.04081},
year = {2017}
}