Impossibility of Gathering, a Certification
Conservatoire national des arts et métiers(法国国立工艺学院);École Nat. Sup. d’Informatique pour l’Industrie et l’Entreprise (ENSIIE)(国立工业与企业信息高等学院);UPMC Sorbonne Universités(巴黎第六大学索邦大学联盟);Institut Universitaire de France(法国大学研究院);CNRS(法国国家科学研究中心);Université Paris-Sud(巴黎第十一大学)
分布式计算的最新进展突出了自主移动机器人群的模型和算法,这些机器人自组织和合作来解决全局目标。到目前为止,绝大多数作品都考虑手工算法和正确性证明。本文建立在以前提出的正式框架,以证明分布式算法,致力于自主移动机器人在连续空间中发展的不可能性结果的正确性。作为一个案例研究,我们考虑的问题,收集所有机器人在一个特定的位置,事先不知道。一个基本的(但尚未正式认证)结果,由于铃木和山下,指出这个简单的任务是不可能的两个机器人执行确定性代码,并最初位于不同的位置。我们不仅获得了原始不可能性结果的认证证明,而且还得到了更一般的不可能性,即当任何两个机器人最初可能处于相同的确切位置时,偶数个机器人聚集在一起。
2014-05-22 cs.DC cs.LO cs.RO
Crash tolerant gathering on grid by asynchronous oblivious robots
考虑一个系统的自主移动机器人最初随机部署在一个匿名的有限网格的节点。聚集算法是由每个机器人独立执行的一系列移动,以便所有机器人在有限时间后在单个节点相遇。机器人以“看-计算-移动”循环运行。在每个周期中,机器人根据占用的节点(\emph{Look})拍摄网格的当前配置的快照,然后基于感知的配置,决定是保持不变还是移动到相邻节点(\emph{Compute}),并且在后一种情况下相应地进行瞬时移动(\emph{Move})。机器人具有\emph{weak multiplicity detection}能力,这使它们能够检测节点是否为空或被单个机器人或多个机器人占用。机器人是\emph{asynchronous}、\emph{oblivious}、\emph{anonymous},不能相互通信和执行相同的分布式算法。然而,在一个有故障的系统中,任何机器人都可以\emph{crash},这意味着它变得完全不活动,不再参与该过程。在这种情况下,容错收集算法是一种将所有无故障机器人收集在单个节点的算法。本文考虑了一个故障系统,可以有最多一个崩溃故障。有了这些假设,确定性的容错收集算法,收集所有的初始配置,在一个非故障系统,除了一个特定的配置称为\emph{2S2 configuration}是可验证的。
2017-09-04 cs.DC
The Surplus Parking Gathering Problem in Infinite Grids
Indian Institute of Technology Jodhpur(印度理工学院焦普尔分校);Birla Institute of Technology Mesra(米尔拉比特学院)
研究无限网格上机器人的剩余停车聚集问题,针对自主、匿名等特性的机器人,在异步模型下,先确定可解性必要条件,再给出确定性分布式算法,分析其移动复杂度,得到上界和最坏情况下界。
2026-07-08 cs.DC math.LO
Can Like Attract Like? A Study of Homonymous Gathering in Networks
Aix Marseille Univ(艾克斯-马赛大学)
研究移动智能体网络中允许标签重复时的确定性聚集问题,完整刻画了可聚集团队的特征,设计了仅需极少共同知识的近最优时间算法,并解决了任意规模团队的终止检测难题。
2025-11-04 cs.DC cs.DS
Communication-Efficient and Privacy-Preserving Decentralized Meta-Learning
Hong Kong University of Science and Technology(香港科技大学)
针对分布式元学习中通信成本高与隐私保护需求,提出引入本地辅助参数和随机扰动的LoDMeta算法,在保证准确率与中心化方法相当的同时,实现通信高效与隐私保护。
2024-06-19 cs.CR cs.DC cs.LG
Distributed $k$-Clustering for Data with Heavy Noise
University at Buffalo(布法罗大学)
在本文中,我们考虑$k$ -中心/中位数/均值聚类与离群值问题(或$(k, z)$ -中心/中位数/均值问题)在分布式设置。大多数以前的分布式算法的通信成本线性依赖于$z$,离群值的数量。最近,Guha等人通过考虑输出具有$2z$离群值的解的双准则近似算法克服了这种依赖性问题。对于其中$z$较大的情况,考虑到数据收集过程可能是昂贵的,由算法丢弃的额外的$z$离群值可能太大。在本文中,我们改进的离群值的数量,以最好的可能$(1+ε)z$,同时保持$O(1)$ -近似比和独立的通信成本$z$。我们考虑的问题包括$(k, z)$ -中心问题,和$(k, z)$ -中位数/均值问题的欧几里德度量。实施我们的算法$(k, z)$ -中心表明,它优于许多以前的算法,无论是在通信成本和质量的输出解决方案。
2018-11-29 cs.DC cs.DS cs.LG
DRIFT: Direct Reduced Fourier Transforms for Distributed Spectral Neural Operators
研究如何将傅里叶神经算子扩展到高分辨率空间网格,核心方法是引入分布式截断谱变换(DTST)并实现为DRIFT,主要贡献是在多GPU上实现显著加速,减少通信时间,提升计算效率。
2026-07-17 cs.DC
Knowledge in multi-robot systems: an interplay of dynamics, computation and communication
TU Wien(维也纳技术大学);École Polytechnique(巴黎政治学院);TU Berlin(柏林技术大学)
本文提出整合分布式多机器人系统与时间认知逻辑的框架,通过抽象状态机将切换混合动力系统转换为逻辑模型,从而连接控制理论、分布式计算与认知推理。
2025-08-29 cs.DC cs.LO cs.RO
Scaling-up Distributed Processing of Data Streams for Machine Learning
Target Corporation(塔吉特公司);University of Michigan(密歇根大学);Rutgers University–New Brunswick(罗格斯大学新伯朗士威分校)
机器学习在许多领域的新兴应用涉及对数据流的持续收集和学习。将流数据实时并入到学习模型中对于改进这些应用中的推理是至关重要的。此外,这些应用程序通常涉及在地理上分布的实体处固有地收集的数据,或者出于存储器、计算和/或隐私原因而有意地跨多个机器分布的数据。在这种分布式的流媒体环境中训练模型需要通过物理实体之间的通信链路以协作方式解决随机优化问题。当流式传输数据率与计算节点的处理能力和/或通信链路的速率相比较高时,这提出了一个具有挑战性的问题:如何在计算能力和/或通信速率的约束下最好地利用传入数据进行分布式训练?近几十年来,出现了大量的研究来解决这一问题和相关问题。本文回顾了最近开发的方法,专注于大规模分布式随机优化的计算和带宽有限的制度,重点是收敛分析,明确占计算,通信和流速率之间的不匹配。特别是,它侧重于解决以下问题的方法:(i)分布式随机凸问题,以及(ii)分布式主成分分析,这是一个具有允许全局收敛的几何结构的非凸问题。对于这样的方法,本文讨论了分布式算法设计方面的最新进展时,面对高速率流数据。此外,它回顾了这些方法的保证,这些方法表明存在系统可以以最优速率从分布式流数据中学习的制度。
2020-08-31 cs.DC cs.LG eess.SP
Distributed Online Data Aggregation in Dynamic Graphs
我们考虑在动态图中聚集数据的问题,即,将源自图中所有节点的数据聚集到特定的节点,即sink。我们感兴趣的是在不同类型的对手下给出这个问题的下界。在我们的模型中,节点被赋予无限的内存和无限的计算能力。然而,我们假设节点之间的通信是通过成对交互进行的,其中节点可以在决定是否传输数据之前交换控制信息,假设每个节点最多可以传输一次数据。当节点从邻居接收数据时,节点可以将其与其自己的数据聚合。我们考虑三种可能的对手:在线自适应对手,不经意的对手,和随机对手,选择成对的相互作用均匀随机。对于在线自适应和不经意的对手,我们给不可能的结果时,节点没有知识的图,不知道未来。此外,我们给出了几个紧界取决于知识(无论是拓扑相关或时间相关)的节点。对于随机对手,我们表明,收集算法,它总是命令一个节点进行传输,是最佳的,如果节点没有知识。此外,我们提出了一种算法,称为等待贪婪,其中一个节点等待或传输取决于一些参数,这是最佳的,当每个节点知道它的未来成对的相互作用与汇。
2016-10-07 cs.CC cs.DC cs.NI
Rescaled Asynchronous SGD: Optimal Distributed Optimization under Data and System Heterogeneity
KAUST(卡斯梅特大学)
本文提出重标异步SGD方法,通过调整工作节点的步长比例,解决异步SGD在数据分布异质性下的偏差问题,证明其在非凸情况下收敛于正确全局目标。
2026-05-13 cs.DC cs.LG math.OC
Abstract message passing and distributed graph signal processing
图信号处理是处理图结构化数据的框架。其基本概念是图形移位算子,从而产生了图形傅里叶变换。虽然图形傅里叶变换是一个集中式过程,但需要分布式图形信号处理算法来解决诸如可扩展性和隐私等挑战。在本文中,我们开发了一个理论的分布式图信号处理的消息传递的经典概念的基础上。然而,我们概括了消息的定义,以允许更抽象的数学对象。该框架提供了一种替代的观点,避免了现有的分布式图信号处理方法的迭代性质。此外,我们的框架有利于研究理论问题,如分布式问题的解决方案。
2022-06-09 cs.DC eess.SP
Fundamental Limits of Coded Linear Transform
在大规模分布式线性变换问题中,编码计算在有效处理“掉队者”(由于少数处理器速度慢或故障而可能延迟的分布式计算)方面起着重要作用。我们提出了一种编码的计算策略,称为对角码,实现了最佳的恢复阈值和最佳的计算负载。这是第一个在编码的分布式线性变换中同时实现双重最优性的代码。此外,利用随机建议图理论的思想,我们设计了两个随机码,可以保证最佳的恢复阈值与高概率,但计算量少得多。这些代码提供了有序的改进,在国家的最先进的。此外,实验结果表明显着的改善相比,未编码和现有的编码方案。
2018-04-25 cs.DC cs.IT math.IT
Secure Distributed Matrix Computation with Discrete Fourier Transform
我们考虑的问题,安全的分布式矩阵计算(SDMC),其中\textit{user}查询的数据矩阵在分布式\textit{source}节点产生的功能。我们假设$N$诚实但好奇的计算服务器的可用性,这些服务器通过正交和可靠的通信链路连接到源、用户和彼此。我们的目标是最小化必须从源传输到服务器的数据量(称为\textit{upload cost}),同时保证没有$T$串通服务器可以了解有关源矩阵的任何信息,并且用户不能了解计算结果之外的任何信息。我们首先专注于安全的分布式矩阵乘法(SDMM),考虑两个矩阵,并提出了一种新的多项式编码方案,利用有限域离散傅立叶变换的性质,实现了上传成本显着低于现有的文献中的结果。然后,我们推广所提出的计划,包括掉队缓解,并在保持输入矩阵的多个矩阵的乘法,中间的计算结果,以及对任何$T$串通服务器的最终结果安全。我们还考虑了一种特殊情况,称为计算与自己的数据,其中用于计算的数据矩阵属于用户。在这种情况下,我们放弃了对用户的安全要求,并表明该方案实现了最小的上传成本。然后,我们提出了在分布式服务器上安全地执行其他常见矩阵计算的方法,包括改变秘密共享,矩阵转置,矩阵求幂,求解线性系统和矩阵求逆的参数,然后使用这些参数来展示如何使用所提出的程序在分布式服务器上安全地计算任意矩阵多项式。
2021-11-14 cs.CR cs.DC cs.IT