多任务问题的局部线性等式约束下的扩散LMS
摘要：在一个代理网络中，我们考虑分布式多任务学习问题，每个代理都对估计自己的参数向量感兴趣，也称为任务，而临近代理的任务与之相关，符合一组线性等式约束。每个代理都具有自己的参数向量的凸代价函数和涉及其自身参数向量和临近代理的参数向量的一组线性等式约束。我们提出了一种基于投影梯度方法和扩散策略的自适应随机算法，以便让网络在满足所有约束的情况下优化个体成本。尽管导出是针对线性等式约束的，但此技术可以应用于其他形式的凸约束。我们对所提算法进行了详细的均方误差分析，并得到了闭式表达式来预测其学习行为。我们提供了模拟实验以说明理论发现。最后，该算法被用于以分布式方式解决两个问题：网络上的最小成本流问题和时空变化场重构问题。
作者：Roula Nassif, C''edric Richard, Andr''e Ferrari, Ali H. Sayed
论文ID：1610.02943
分类：Multiagent Systems
分类简称：cs.MA
提交时间：2017-10-11