异构数据下的弹性分布式参数估计
最优化与控制
2019-10-02 v2
摘要
本文研究测量攻击下的弹性分布式估计。一组智能体各自对收集于向量参数中的未知向量场进行连续的局部、线性、含噪测量。局部测量模型在智能体间是异构的，且对未知参数可能局部不可观测。一个 adversary 破坏部分测量流并任意改变其值。智能体的目标是通过点对点通信网络进行协作，处理其（可能受损的）局部测量并估计未知向量参数的值。我们提出 SAGE（Saturating Adaptive Gain Estimator，饱和自适应增益估计器），一种对测量攻击具有弹性的分布式递归 consensus+innovations 估计器。我们证明，只要被破坏的测量流数量低于特定界限，SAGE 就能保证所有智能体的局部估计几乎必然收敛到该参数的值。该估计器的弹性——即其可容忍的被破坏测量流数量——不依赖于智能体间通信网络的拓扑。最后，我们通过数值例子说明了 SAGE 的性能。
引用
@article{arxiv.1812.08902,
title = {Resilient Distributed Parameter Estimation with Heterogeneous Data},
author = {Yuan Chen and Soummya Kar and José M. F. Moura},
journal= {arXiv preprint arXiv:1812.08902},
year = {2019}
}