关于主动查询的去中心化估计
On Decentralized Estimation with Active Queries
AI总结：
本文提出基于主动查询的去中心化随机搜索策略，结合20问题方法与社会学习，证明在参数空间随机搜索中收敛到正确共识，适用于目标定位问题。
摘要：
我们考虑在随机搜索参数空间下，多个玩家/智能体在最小熵准则下进行带噪声的20问题去中心化估计问题，应用于目标定位。我们提出去中心化扩展的主动查询基于随机搜索策略，结合20问题方法和社会学习元素。我们证明收敛到参数值的正确共识。该框架为基于主动查询的去中心化参数估计系统提供了一个灵活且可处理的数学模型。我们展示了所提出的去中心化协作20问题算法在随机网络拓扑和信息共享中的有效性与鲁棒性。
英文摘要：
We consider the problem of decentralized 20 questions with noise for multiple players/agents under the minimum entropy criterion in the setting of stochastic search over a parameter space, with application to target localization. We propose decentralized extensions of the active query-based stochastic search strategy that combines elements from the 20 questions approach and social learning. We prove convergence to correct consensus on the value of the parameter. This framework provides a flexible and tractable mathematical model for decentralized parameter estimation systems based on active querying. We illustrate the effectiveness and robustness of the proposed decentralized collaborative 20 questions algorithm for random network topologies with information sharing.
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。
