网络中基于学习增强的分散式在线凸优化
机器学习
2024-10-21 v3 最优化与控制
摘要
本文研究网络化多智能体系统中的分散式在线凸优化,并提出一种新颖算法——学习增强的分散式在线优化(LADO),使各智能体仅基于本地在线信息选择动作。LADO利用基线策略保障在线动作的最坏情形鲁棒性,同时贴近机器学习(ML)策略以提升平均性能。与现有聚焦于集中式设置的学习增强在线算法形成鲜明对比,LADO在分散式设置下实现了强鲁棒性保证。我们还证明了LADO的平均代价界,揭示了平均性能与最坏情形鲁棒性之间的权衡,并展示了通过显式考虑鲁棒性要求来训练ML策略的优势。
引用
@article{arxiv.2306.10158,
title = {Learning-Augmented Decentralized Online Convex Optimization in Networks},
author = {Pengfei Li and Jianyi Yang and Adam Wierman and Shaolei Ren},
journal= {arXiv preprint arXiv:2306.10158},
year = {2024}
}
备注
Accepted by SIGMETRICS 2025