계층적 파라미터 추정과 동적 합의 기반 분산 네트워크 시스템
본 논문은 네트워크에 분산된 에이전트들이 공유 파라미터를 전역적으로 추정하도록 설계된 두 단계 프레임워크를 제안한다. 1단계에서는 동적 평균 합의를 이용해 각 에이전트의 측정을 중앙집중식 데이터의 대용량으로 변환하고, 2단계에서는 변환된 서브게이트를 이용해 로컬 그래디언트 추정기를 적용한다. 적절한 합의 이득 설계로 회귀 행렬의 영구적 여기(PE)를 보장해 추정이 지수적으로 수렴한다. 또한 토폴로지 전환, 양자화, DREM 대체 등 다양한 확장…
저자: Ariana R. Mendez-Castillo, Rodrigo Aldana-Lopez, Antonio Ramirez-Trevino
본 논문은 대규모 네트워크드 시스템에서 여러 에이전트가 공유하는 상수 파라미터를 전역적으로 추정하기 위한 두 단계 계층적 프레임워크를 제안한다. 기존의 분산 추정 방법들은 보통 전체 네트워크의 정보를 직접 교환하거나, 복잡한 라그랑지안 기반 최적화를 수행해야 하는데, 이는 통신 부하와 계산 복잡도를 크게 증가시킨다. 저자는 이러한 문제점을 해결하기 위해 ‘공유 정보와 로컬 추정’을 명확히 구분하고, 각각을 전용 알고리즘에 할당한다.
1단계: 동적 평균 합의(DAC)
각 에이전트 i는 로컬 측정 y_i(t)와 회귀 행렬 φ_i(t)를 실시간으로 수집한다. DAC 알고리즘은 다음과 같이 정의된다.
\
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기