分体学习结合 Koopman 理论用于无线远程状态监测与预测
机器学习
2021-04-19 v1 信息论
math.IT
摘要
无线远程状态监测有望在超越 5G 的应用中发挥关键作用，范围从远程无人机控制到远程手术。一个关键挑战是辨识具有大维度状态的非线性系统动力学。为解决此问题，本文提出训练一个自动编码器，其编码器和解码器分别部署在状态传感器及其远程观测端。该自动编码器不仅通过降低状态表示维度来减小远程监测的有效载荷大小，还借助 Koopman 算子提升系统动力学以学习之，从而使观测端在训练收敛后能够本地预测未来状态。在非线性 cart-pole 环境下的数值结果表明，所提出的 Koopman 自动编码器分体学习可本地预测未来状态，且预测精度随表示维度和传输功率的提高而提升。
引用
@article{arxiv.2104.08109,
title = {Split Learning Meets Koopman Theory for Wireless Remote Monitoring and Prediction},
author = {Abanoub M. Girgis and Hyowoon Seo and Jihong Park and Mehdi Bennis and Jinho Choi},
journal= {arXiv preprint arXiv:2104.08109},
year = {2021}
}