通过社交采样进行分布的分布式学习
Distributed Learning of Distributions via Social Sampling
AI总结：
本文提出一种分布式离散分布估计协议，通过社交网络中的信息传递模型，利用量化消息实现分布估计的收敛，展示了不同共识现象的三种模式。
摘要：
本文提出了一种用于分布式离散分布估计的协议。每个代理开始时拥有一个来自分布的样本，目标是学习样本的经验分布。该协议基于一种简单的消息传递模型，受社交网络中的通信启发。代理从当前分布估计中随机采样消息，从而产生具有量化消息的协议。利用随机逼近工具，算法被证明几乎处处收敛。示例展示了三种具有不同共识现象的模式。仿真展示了这种收敛性，并提供了一些关于网络拓扑影响的见解。
英文摘要：
A protocol for distributed estimation of discrete distributions is proposed. Each agent begins with a single sample from the distribution, and the goal is to learn the empirical distribution of the samples. The protocol is based on a simple message-passing model motivated by communication in social networks. Agents sample a message randomly from their current estimates of the distribution, resulting in a protocol with quantized messages. Using tools from stochastic approximation, the algorithm is shown to converge almost surely. Examples illustrate three regimes with different consensus phenomena. Simulations demonstrate this convergence and give some insight into the effect of network topology.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
