Distributed Bayesian Detection Under Unknown Observation Statistics
本文研究了假设先验概率未知的分布式贝叶斯检测问题。传感器获得的观测值是有条件地依赖于传感器和它们的概率密度函数（pdf）是不确切的。观测值被量化并发送到融合中心。融合中心融合当前量化的观测值并做出最终决策。它还设计（更新）的量化器，用于传感器和融合规则的基础上所有以前的量化观察。关于更新的量化器的信息被发送回传感器以供下次使用。在本文中，条件联合概率密度函数表示在一个参数的形式，使用Copula框架。未知参数包括相关参数和边际参数。提出了基于量化数据的带反馈的最大似然估计方法来估计未知参数。这些估计迭代地用于改进量化器和融合规则，以通过使用反馈来提高分布式检测性能。数值算例表明，基于反馈极大似然估计的检测方法比基于条件独立观测假设的检测方法有更好的性能。
2012-09-19 cs.IT math.IT
Distributed Detection in Ad Hoc Networks Through Quantized Consensus
研究了大规模连通传感器网络中分布式检测的渐近性能。与其中单个节点可以访问所有其他节点的本地决策的典型并行网络相比，在当前设置中，每个节点只能与其直接邻居交换信息。我们建立，每个节点采用一个相同的一位量化器进行本地信息交换，一种新的共识达成方法可以实现最佳的渐近性能的集中式检测的网络规模。在三种不同的检测框架下，这种说法是正确的：贝叶斯准则，其中最大后验检测器是最佳的，Neyman-Pearson准则具有恒定的I型错误概率约束，以及Neyman-Pearson准则具有指数I型错误概率约束。利用最近的发展，分布式共识达成使用有界量化器与可能的无界数据（这是对数似然比的本地观测分布式检测的上下文中），我们设计了一个一位的确定性量化器与可控阈值，导致理想的共识误差界。所得到的界是建立最佳渐近检测性能的关键。此外，我们研究所提出的方法的非渐近性能，并表明，在每个节点的I型和II型错误概率可以任意接近集中的同时，当连续性条件得到满足。
2018-10-14 cs.IT math.IT
Distributed Beamforming in Wireless Multiuser Relay-Interference Networks with Quantized Feedback
我们研究具有任意数量的发射机、中继器和接收机的无线放大转发中继干扰网络中的量化波束成形。我们设计的量化器的信道状态信息，以尽量减少的概率，至少有一个接收机错误地解码其所需的符号（S）。相应地，我们引入了一个广义的多样性措施，封装传统的一阶多样性。此外，它还结合了二阶分集，这与发射机功率相关的对数项，出现在出错率表达式。首先，我们表明，无论量化器和反馈量，使用的中继干扰网络遭受二阶分集损失相比，无干扰网络。然后，两种不同的量化方案进行了研究：第一，使用一个全局量化器，我们表明，一个简单的中继选择方案可以实现最大的多样性。然后，使用本地化方法，我们构建固定长度和可变长度的本地（分布式）量化器（fLQs和vLQs）。我们的fLQ实现了最大的一阶分集，而我们的vLQ实现了最大的分集。此外，我们表明，所有承诺的多样性和阵列增益可以获得任意低的反馈率时，发射机功率足够大。最后，我们通过模拟证实了我们的分析结果。
2010-07-30 cs.IT math.IT
Distributed Inference with M-ary Quantized Data in the Presence of Byzantine Attacks
研究了拜占庭攻击下传感器端M元量化数据的分布式推理问题。我们假设攻击者不知道感兴趣的现象的真实状态，或者在传感器处使用的量化阈值。因此，拜占庭节点通过修改将对应于量化数据的符号修改为量化字母集中的其他M个符号中的一个并且将错误符号发送到融合中心（FC）来攻击推理网络。在本文中，我们找到了使任何分布式推理网络失明的最佳拜占庭攻击。随着量化字母表大小的增加，分布式推理网络的安全性能得到了极大的改善。我们还研究了存在资源受限的拜占庭攻击的分布式推理问题。特别是，我们专注于两个问题：分布式检测和分布式估计，当拜占庭攻击者采用高度对称攻击。对于这两个问题，我们找到了攻击者最大限度地降低推理网络性能的最佳攻击策略。一个基于信誉的恶意节点识别方案也提出了作为网络的策略，以减轻拜占庭威胁的分布式传感器网络的推理性能的影响。
2014-01-14 cs.CR cs.IT math.IT
Distributed Maximum Likelihood Sensor Network Localization
我们提出了一类凸松弛来解决传感器网络定位问题，基于最大似然（ML）制定。这一类别以及弛豫的紧密性取决于所收集测量的噪声概率密度函数（PDF）。我们推导出一个计算效率高的基于边缘的ML凸松弛类的版本，我们设计了一个分布式算法，使传感器节点，以解决这些基于边缘的凸计划本地只与他们的近邻通信。该算法依赖于交替方向乘子法（ADMM），收敛于集中式解，可以异步运行，具有计算容错性。最后，我们比较我们提出的分布式方案与其他可用的方法，分析和数值，我们认为ADMM的附加值，特别是对于大规模的网络。
2013-12-26 cs.IT math.IT
Likelihood Consensus and Its Application to Distributed Particle Filtering
本文研究了无融合中心的无线传感器网络中的分布式状态估计。每个传感器执行一个全局估计任务-基于所有传感器的过去和当前测量-仅使用本地处理和与其邻居的本地通信。在此估计任务中，联合（所有传感器）似然函数（JLF）起着核心作用，因为它概括了所有传感器的测量。我们提出了一个分布式的方法计算，在每个传感器，通过共识算法的JLF的近似。如果各种传感器的局部似然函数（被视为局部测量的条件概率密度函数）属于指数分布族，则该“似然一致性”方法是适用的。然后，我们使用似然共识方法来实现分布式粒子滤波器和分布式高斯粒子滤波器。每个传感器运行计算全局状态估计的局部粒子滤波器或局部高斯粒子滤波器。每个局部（高斯）粒子滤波器中的权重更新采用JLF，其通过似然一致性方案获得。对于分布式高斯粒子滤波器，粒子数可以通过一个额外的一致性计划的手段显着减少。仿真结果评估的多目标跟踪问题的建议分布式粒子滤波器的性能。
2012-08-01 cs.IT math.IT stat.AP
Activity Detection in Distributed MIMO: Distributed AMP via Likelihood Ratio Fusion
提出了一种新的分布式多输入多输出（MIMO）系统中免授权多址接入的活动检测算法。该算法是一个分布式版本的近似消息传递（AMP）的基础上软组合的似然比独立计算在多个接入点。我们的算法的基础理论基础是一个新的观察，我们在AMP的状态演变。具体地说，与最小均方误差降噪，状态保持块对角结构时，信号的协方差矩阵具有这样的结构。我们通过数值例子表明，该算法优于竞争计划从文献中。
2022-09-22 cs.IT eess.SP math.IT
Quantized-but-uncoded Distributed Detection (QDD) with Unreliable Reporting Channels
该研究提出量化但未编码分布式检测（QDD）方法，验证其适配传输功率约束的特性，推导独立观测下的最优决策规则，并通过数值实验对比不同检测系统的性能。
2023-11-04 cs.IT eess.SP math.IT
Simultaneous Distributed Sensor Self-Localization and Target Tracking Using Belief Propagation and Likelihood Consensus
我们介绍的框架合作同时定位和跟踪（CoSLAT），它提供了一个一致的组合合作自定位（CSL）和分布式目标跟踪（DTT）在传感器网络中没有一个融合中心。CoSLAT扩展了同时定位和跟踪（SLAT），因为它也使用传感器间测量。从因素图制定的CoSLAT问题，我们开发了一个基于粒子的，分布式的消息传递算法CoSLAT，结合非参数的信念传播的似然共识计划。CoSLAT算法通过在CSL和DTT之间交换概率信息来改进最新的CSL和DTT算法。仿真结果表明，自定位和跟踪性能的显着改善。
2012-11-29 cs.IT cs.NI math.IT
Distributed Quantization for Sparse Time Sequences
在数字硬件中处理的模拟信号被量化为离散位约束表示。量化通常使用以串行标量方式操作的模数转换器（ADC）来执行。在某些应用中，一组模拟信号被单独采集并联合处理。这种设置被称为分布式量化。在这项工作中，我们提出了一个分布式量化方案，用于表示一组稀疏的时间序列，使用传统的标量ADC。我们的方法利用安全组测试理论的工具来利用所获取的模拟信号的稀疏性，在以分布式方式操作的同时获得紧凑和准确的表示。然后，我们展示了如何可以实现我们的技术时，量化的信号通过多跳通信网络传输，提供一个低复杂度的网络策略的路由和信号恢复。我们的数值评估表明，该方案显着优于传统的方法的基础上结合量化和压缩感知工具。
2019-10-21 cs.IT math.IT
Estimation with Quantized Parameter Side-Information
LTCI, Telecom Paris IP（电信巴黎学院IP）；Tel-Aviv University（特拉维夫大学）
本文研究带量化参数边信息的参数估计问题，给出其极小极大风险的上下界，该上下界在大量观测样本和量化级数下具有相似衰减速率。
2026-10-09 cs.IT math.IT
Distributed Computation of A Posteriori Bit Likelihood Ratios in Cell-Free Massive MIMO
本文提出了一种新的策略，分散的软检测过程中的上行链路无小区的大规模多输入多输出网络。我们提出了有效的方法来计算后验概率，每比特，准确或近似时，有一个顺序的前传。更准确地说，网络中的每个接入点（AP）在本地计算部分足够的统计数据，将其与从另一个AP接收的部分统计数据融合，然后将结果转发给下一个AP。一旦足够的统计数据到达中央处理单元，它就通过计算每比特的对数似然比（LLR）来执行软解调，然后执行信道解码算法（例如，Turbo解码器）被用于对比特进行解码。我们推导出分布式计算的LLR解析。
2021-11-30 cs.IT eess.SP math.IT
Quantized Fusion Rules for Energy-Based Distributed Detection in Wireless Sensor Networks
研究了带宽受限的无线传感器网络中的软决策融合问题。无线传感器网络的任务是检测入侵者通过衰落信道发送未知信号。使用传感器节点（SN）的软判决进行二元假设检验。使用似然比检验，在融合中心（FC）的最佳软融合规则已被证明是加权距离软决策均值下的零假设。但是，由于最佳规则需要先验知识，这是很难在实践中获得的，次优融合规则，提出了在实践中是可实现的。我们展示了如何通过增加SN样本的数量来减轻量化检验统计量的影响，即，带宽可以与增加的等待时间进行折衷。最佳的功率和比特分配的无线传感器网络也来自。仿真结果表明，信道好的SN会被分配更多的比特，而信道差的SN会被审查。
2015-06-03 cs.IT cs.NI math.IT
Communication Efficient Distributed Learning with Censored, Quantized, and Generalized Group ADMM
Deakin University（迪肯大学）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupélec（巴黎中央理工-高等电力学院）；Lagrange Mathematical and Computing Research Center（拉格朗日数学与计算研究中心）；University of Oulu（奥卢大学）
在本文中，我们提出了一个有效的通信分散的机器学习框架，解决了一个共识优化问题定义在网络上的相互连接的工人。所提出的算法，删失和量化广义GADMM（CQ-GGADMM），利用工人分组和分散学习的思想组交替方向乘法（GADMM），并通过扩展其适用性广义网络拓扑结构，推动通信效率的前沿，同时将链接删失量化后可忽略不计的更新。我们从理论上证明了在一些温和的假设下，当局部目标函数是强凸的时，CQ-GGADMM具有线性收敛速度。数值模拟证实，CQ-GGADMM具有更高的通信效率，在通信轮数和传输能量消耗方面，而不影响精度和收敛速度，相比，审查分散ADMM，和工作分组方法的GADMM。
2021-01-12 cs.IT cs.LG cs.NI
Distributed Consensus Algorithms in Sensor Networks: Quantized Data and Random Link Failures
研究了具有量化数据和随机链路故障的传感器网络中的分布式平均一致性问题。为了实现一致性，在量化之前将抖动（小噪声）添加到传感器状态。当量化器的范围是无界的（可数数量的量化器水平），随机逼近表明，共识是渐近实现的概率为1，并在一个有限的随机变量的均方。我们表明，均方误差（m.s.e.）可以通过调整链路权重序列来使其任意小，代价是算法的收敛速度。为了研究量化器范围有界时随机链接的抖动一致性，我们建立了无界量化器样本路径的一致有界性。这需要表征量化器状态的采样路径上取的上确界的统计特性。这是通过将量化器的状态向量分成两个分量来实现的：一个分量沿着一致子空间，另一个分量沿着与一致子空间正交的子空间。证明使用极大不等式的下鞅和上鞅序列。从这些，我们得出的概率界限上的两个连续性的偏移，从量化器状态矢量的偏移的概率界限如下。本文展示了如何使用这些概率界来设计量化器参数，并探讨量化器级别的数量，量化步骤的大小，所需的饱和概率，以及所需的准确度$ε$远离共识之间的权衡。最后，本文说明了量化器的设计与数值研究。
2009-09-28 cs.IT cs.MA math.IT
Optimal Asymmetric Binary Quantization for Estimation Under Symmetrically Distributed Noise
在这封信中考虑了基于噪声和二进制量化测量的位置参数估计。我们研究了不同对称单峰噪声分布的Cramer-Rao界作为量化器阈值的函数的行为。我们表明，在某些情况下，直观的选择阈值位置的对称性的问题，把阈值的真实参数值，可以导致局部最差的估计性能。
2013-10-25 cs.IT math.IT
Distributed Inference with Sparse and Quantized Communication
Purdue University（普渡大学）；Sandia National Laboratories（桑迪亚国家实验室）
我们考虑分布式推理的问题，在网络中的代理观察到一个未知状态产生的私人信号流，并旨在唯一地识别这种状态从一组有限的假设。我们专注于代理之间的通信是昂贵的，并发生在有限带宽的通道的情况下。为了减少通信的频率，我们开发了一种新的事件触发的分布式学习规则，该规则基于对每个错误假设扩散低信念的原则。基于这一原则，我们设计了一个触发条件下，代理广播只有那些组件的信念向量，有足够的创新，只有那些邻居，需要这样的信息。我们证明，我们的规则保证收敛到真实的状态几乎可以肯定，尽管稀疏的通信指数快速，它有可能显着减少信息流的信息代理。接下来，为了处理有限精度的通信信道，我们提出了一个分布式学习规则，利用自适应量化的思想。我们表明，通过顺序地细化量化器的范围，每个代理几乎可以肯定地以指数速度学习真相，同时仅使用$1$位来编码其对每个假设的信念。对于我们提出的算法，我们严格的通信效率和学习率之间的权衡。
2021-06-07 cs.GT cs.IT cs.LG
Weighted Graph Coloring for Quantized Computing
针对两信源函数的分布式无损计算，本文提出边加权特征图及其分数着色压缩框架，刻画基本极限并实现较传统着色高逾30%的增益。
2023-07-16 cs.IT math.IT
Sigma-Delta and Distributed Noise-Shaping Quantization Methods for Random Fourier Features
University of California San Diego（加州大学圣地亚哥分校）
我们建议使用低位深Σ-Δ和分布式噪声整形方法来量化与移位不变内核相关的随机傅立叶特征（RFFs）。我们证明，我们的量化RFFs -即使在$1$位量化的情况下-允许一个高精度的近似的底层内核，和近似误差衰减至少多项式快的RFFs的尺寸增加。我们还表明，量化的RFFs可以进一步压缩，产生一个很好的权衡内存使用和精度之间。也就是说，近似误差现在作为所使用的比特的函数呈指数衰减。此外，我们经验表明，通过测试我们的方法在几个机器学习任务上的性能，我们的方法相比，在这种情况下，其他国家的最先进的量化方法。
2022-04-13 cs.IT cs.LG math.IT
Uplink Data Detection Analysis of 1-Bit Quantized Massive MIMO
本文提出了一种分析框架，在大规模多输入多输出上行链路系统中的数据检测与1位模数转换器（ADC）。考虑到单用户的情况下，我们提供了封闭形式的表达式的期望值和方差的估计符号时，采用最大比合并在基站（BS）随着其渐近行为在高信噪比（SNR）。这些结果被利用，以提高最大似然检测的性能，考虑到分散的估计符号的期望值。相对于BS天线的数量、SNR和用于信道估计的导频长度来评估具有1比特ADC的符号出错率。所提出的分析突出了一个基本的SNR权衡，根据该权衡，在正确的SNR下操作可以大大提高数据检测精度。
2021-07-26 cs.IT eess.SP math.IT
Distributed Bayesian Filtering using Logarithmic Opinion Pool for Dynamic Sensor Networks
California Institute of Technology（加州理工学院）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
本文提出了一种分布式贝叶斯滤波算法，用于跟踪动态目标模型，利用对数意见池和动态平均一致性算法实现传感器节点的分布式融合，证明了算法的收敛性和鲁棒性，并给出了时间步长的界限。
2018-07-08 cs.IT cs.SY eess.SY
Distributed Coded Modulation Schemes for Multiple Access Relay Channels
在本文中，我们研究了多址中继信道的网络嵌套编码调制方案。研究了基于网络编码调制的分布式卷积码的分布式系统的性能。推导了最大似然序列检测（MLSD）分布式系统误码性能的解析上界。所研究的系统的构造界被证明是渐近紧的增加信道信噪比（SNR）值
2022-03-15 cs.IT eess.SP math.IT
Communication-Efficient Distributed Statistical Inference
我们提出了一个通信有效的代理Likestive（CSL）框架解决分布式统计推断问题。CSL为全局似然提供了一种通信效率高的替代，可用于低维估计、高维正则化估计和贝叶斯推断。对于低维估计，CSL可证明地改进了朴素平均方案，并有利于置信区间的构建。对于高维正则化估计，CSL导致一个极小极大最优估计与控制通信成本。对于贝叶斯推断，CSL可以用于形成收敛于真实后验的通信有效的准后验分布。这种准后验过程显着提高了MCMC算法的计算效率，即使在非分布式设置。我们提出了理论分析和实验来探索CSL近似的属性。
2016-11-06 cs.IT cs.LG math.IT
