多任务图上的学习 -- 第一部分：稳定性分析
摘要：多任务优化问题的建模，其中网络中的代理有个体目标要达到，或者个体参数向量要估计，同时满足图的平滑性条件。平滑性条件使得邻接节点之间的任务转换变得柔和，并允许将图结构的信息纳入推断问题的解决方案中。设计了一种扩散策略，对流式数据进行响应，并使用随机逼近代替通常不可用的实际梯度向量。该方法依赖于最小化一个全局成本，该成本由个体成本的总和加上促进平滑性的项构成。在本工作的第一部分中，我们表明，在步长参数的条件下，自适应策略引导了一个收缩映射，并导致与小步长数量级相近的估计误差。随附的第二部分的结果将明确揭示网络拓扑和正则化强度对网络性能的影响，并为分布式推断的有效多任务策略的设计提供见解。
作者：Roula Nassif, Stefan Vlaski, Cedric Richard, Ali H. Sayed
论文ID：1805.08535
分类：Multiagent Systems
分类简称：cs.MA
提交时间：2019-11-18