质量还是数量？多智能体系统中基于误差信息的高斯过程选择性在线学习：扩展版
机器学习
2026-01-22 v1 多智能体系统
摘要
有效合作对于多智能体系统中的分布式学习至关重要，其中机器学习模型的数量与质量之间的相互作用是关键。本文揭示了在联合预测中不加区分地包含所有智能体上的模型是不合理的，强调了在合作学习中质量优先于数量的必要性。具体而言，我们提出了首个用于分布式高斯过程（GP）回归的选择性在线学习框架，即分布式误差信息GP（EIGP），该框架使每个智能体能够评估其邻近的合作者，并使用所提出的选择函数来选择预测误差更小、质量更高的GP模型。此外，EIGP中嵌入了算法增强，包括用于加速预测的贪心算法（gEIGP）和用于提高预测准确性的自适应算法（aEIGP）。同时，结合误差信息量化项迭代和数据删除策略，引入了快速预测和模型更新的方法，以实现实时学习操作。通过数值仿真展示了所开发方法的有效性，并证明了其在不同基准测试中优于最先进的分布式GP方法。
引用
@article{arxiv.2601.14275,
title = {Quality or Quantity? Error-Informed Selective Online Learning with Gaussian Processes in Multi-Agent Systems: Extended Version},
author = {Zewen Yang and Xiaobing Dai and Jiajun Cheng and Yulong Huang and Peng Shi},
journal= {arXiv preprint arXiv:2601.14275},
year = {2026}
}
备注
Accepted by IEEE/CAA Journal of Automatica Sinica