对抗数据污染下鲁棒的在线与分布式均值估计

我们研究在存在对抗数据攻击的在线与分布式场景中的鲁棒均值估计。在每个时间步，网络中的每个智能体接收一个可能被污染的数据点，这些数据点原本是某随机变量的独立同分布样本。我们提出在线与分布式算法，使所有智能体渐近地估计均值。我们给出了在所提算法下估计值到真实均值的误差界与收敛性质。基于网络拓扑，我们进一步评估了每个智能体在融合邻居数据与仅利用本地观测学习之间的收敛速率权衡。