多智能体分布式学习中的不确定性估计
分布式、并行与集群计算
2023-11-23 v1 人工智能
摘要
传统上，物联网边缘设备主要被视为具有有限自主操作能力的低功耗组件。然而，随着嵌入式AI硬件设计的崭新进展，基础性转变铺平了未来可能性的道路。因此，KDT NEUROKIT2E项目的目标是建立一个新的开源框架，通过开发量化、剪枝感知训练与稀疏化方面的新方法，进一步促进边缘设备上的AI应用。这些创新有潜力大幅扩展此类设备的功能范围，使其能利用本地资源管理复杂机器学习（ML）任务，并为创新学习方法奠定基础。在6G变革潜力的背景下，独立智能体间的分布式学习因6G网络对超可靠低延迟通信、增强数据速率与先进边缘计算能力的支持而成为关键应用。我们的研究聚焦于使边缘网络赋能的智能体能在分布式环境中参与协作学习的机制与方法。尤其，分布式协作学习中的关键问题之一是在考虑独立智能体所感知数据集的时空局部性下，确定学习结果的置信程度。
引用
@article{arxiv.2311.13356,
title = {Uncertainty Estimation in Multi-Agent Distributed Learning},
author = {Gleb Radchenko and Victoria Andrea Fill},
journal= {arXiv preprint arXiv:2311.13356},
year = {2023}
}
备注
Poster for SAL Symposium on 6G. 22 November 2023 - 23 November 2023 Linz, Austria