On Computing Compression Trees for Data Collection in Sensor Networks
我们解决的问题,有效地收集相关的数据从有线或无线传感器网络,设计算法与可证明的最优性保证的目的,并了解如何接近我们可以得到已知的理论下限。我们提出的方法是基于找到一个最佳的或接近最佳的{ \em压缩树}为一个给定的传感器网络:压缩树是一个有向树的传感器网络节点,使节点的值被压缩使用的值其父节点。我们认为这个问题在不同的通信模型,包括{ \em广播通信}模型,使许多新的机会,能源效率的数据汇集。我们绘制连接之间的数据汇集问题和以前研究的图形概念,称为{ \em弱连接支配集},我们用它来开发新的近似算法的问题。我们提出了几个合成和现实世界的数据集的比较结果表明,我们的算法构建接近最佳的压缩树,产生显着减少的数据汇集成本。
2009-07-30 cs.IT cs.NI math.IT
On Large Scale Distributed Compression and Dispersive Information Routing for Networks
本文研究大型网络中的分布式信源编码问题。对分布式编码的常规方法的实际部署构成存在威胁的主要障碍是解码器复杂度随着源的数量和编码速率的指数增长。这种复杂性的增长使得许多传统方法甚至对于中等规模的网络也不切实际。在本文中,我们提出了一种新的解码范式,大规模分布式压缩解码器的复杂性是明确控制在设计过程中。我们的方法的核心是一个模块,称为“位子集选择器”,其作用是明智地提取一个适当的子集,每个单独的源解码接收到的位。我们提出了一个实用的设计策略,基于确定性退火(DA)的联合设计的系统组件,使直接优化的解码器的复杂性失真的权衡,从而所需的可扩展性。我们还指出了大规模分布式压缩问题和传感器网络中的相关问题之间的直接联系,即相关源的分散信息路由。这使我们能够扩展大规模分布式压缩的背景下提出的设计原则,设计高效的路由器,最低成本的相关源在整个网络中的通信。在真实数据集和合成数据集上的实验提供了比传统方法大幅度增益的证据。
2013-01-06 cs.IT math.IT
Non-Adaptive Distributed Compression in Networks
在本文中,我们讨论了非自适应分布式压缩节点间相关的实值消息。要做到这一点,我们讨论了传统的数据包通过路由转发的性能,在总的网络负载与所产生的服务质量(失真水平)。作为一个更好的替代数据包转发,我们简要地描述了我们以前提出的一步量化网络编码(QNC),并使激励参数的优势时,适当的边际速率分布式信源编码是不可用的编码器源节点。我们还得到分析保证我们的一步QNC方案所产生的失真。最后,我们得出结论,通过提供一步QNC和传统的数据包转发的总网络负载之间的数学比较,一步QNC的情况下显着减少。
2013-01-25 cs.IT math.IT
Compression and Combining Based on Channel Shortening and Rank Reduction Techniques for Cooperative Wireless Sensor Networks
本文研究和比较了无线传感器网络的性能,传感器合作通信的原则。我们考虑的情况下,源发送信号到目的地的帮助下,$L$传感器。由于目的地仅具有处理这些$L$信号中的$U$的能力,因此选择最强的$U$信号,而抑制剩余的$(L-U)$信号。在这方面的贡献,提出了一个预处理块类似的通道缩短。然而,该预处理块采用秩降低技术而不是信道缩短。通过采用这种预处理,我们能够降低系统的计算复杂性,而不影响比特出错率(BER)性能。从我们的模拟,可以看出,这些方案优于信道缩短方案的计算复杂性。此外,当传感器采用固定增益放大时,与信道缩短方案相比,所提出的方案具有优异的BER性能。然而,对于采用可变增益放大的传感器,在信道缩短和这些方案之间的BER性能方面存在折衷。这些方案优于信道缩短方案,具有较低的信噪比。
2013-06-30 cs.IT math.IT
Distributed Compression for the Uplink of a Backhaul-Constrained Coordinated Cellular Network
我们考虑回程受限的协调蜂窝网络。也就是说,具有$N+1$多天线基站(BS)的单频网络,所述多天线基站(BS)协作以对用户的数据进行解码,并且借助于有限容量$\mathrm{R}$的公共无损回程来链接。为了实现接收协作,我们提出分布式压缩:$N$ BS在接收到它们的信号时,使用多源有损压缩码来压缩它们。然后,它们将压缩的矢量发送到中央BS,中央BS执行用户的解码。分布式Wyner-Ziv编码建议使用,并在这项工作中进行了优化设计。本文的第一部分是致力于一个网络与一个独特的多天线用户,发送一个预定义的高斯空时码字。对于这样的场景,BS处的压缩码本被优化,考虑用户的可实现速率作为性能度量。特别地,对于$N = 1$,最佳码本分布以封闭形式导出,而对于$N>1$,设计了迭代算法。贡献的第二部分集中在多用户场景上。对于它,可达到的速率区域是通过最佳的压缩码本的和速率和加权和速率,分别获得。
2008-02-06 cs.IT math.IT
A Comprehensive Analysis of Correlated Source Compression Using Edge Computing in Distributed Systems
本文研究了位于网络边缘的相关信源的无损压缩理论。重要的是,禁止节点之间的通信。具体地,解释了组合相关信源编码和矩阵分割的方法。然后,通过将该方法限制为在两个不同的节点组上操作,使该技术更加灵活。因此,这种新方法允许在压缩性能上有更多的自由度,从而在节点完整性验证中进行权衡。具体来说,当使用具有4个节点的汉明(7,4)时,它提供2-3倍的压缩节省。它还降低了在节点加入/离开网络时管理节点的复杂性,同时保留了可以对信息进行有损解码的范围。
2020-03-24 cs.IT math.IT
Lossy Compression with Near-uniform Encoder Outputs
众所周知,当且仅当编码器被随机化时,具有接近均匀的编码器输出的离散无记忆源的无损压缩以高于其熵的速率是可能的。本文主要研究Wyner-Ziv算法中编码器输出接近均匀的条件和分布式有损压缩问题。我们表明,在Wyner-Ziv问题,近均匀的编码器输出和操作接近的WZ速率限制是同时可能的,而在分布式有损压缩问题,联合近均匀的输出是可以实现的内部的分布式有损压缩速率区域,如果源共享非平凡的Gács-Körner共同信息。
2016-07-09 cs.IT math.IT
Distributed Compressed Sensing for Sensor Networks with Packet Erasures
我们研究了两种分布式压缩感知的方法,在网络中的数据压缩和信号重建在无线传感器网络中的传感器被放置在一条直线上的汇。由于大量的设备,到信宿的通信被认为是带宽受限的。通过使用分布式压缩感知来压缩网络中的数据,可以以压缩所需的本地通信引起的延迟为代价来降低到信宿的通信成本(带宽使用)。我们调查成本和延迟之间的关系给出了一定的重建性能要求时,使用基追踪去噪重建。此外,我们分析和比较的性能下降,由于删除数据包发送到汇的两种方法。
2015-03-31 cs.IT math.IT
Distributed Fronthaul Compression and Joint Signal Recovery in Cloud-RAN
云无线电接入网络(C-RAN)是用于未来移动通信的有前途的网络架构,并且其大规模实现的一个实际障碍是将分布式远程无线电头端(RRH)连接到C-RAN中的集中式基带池(BBU)的高容量和低延迟前传的严格要求。为了提高C-RAN网络的可扩展性,在信号检测中考虑前传负载是非常重要的,并且非常期望降低C-RAN系统中的前传负载。在本文中,我们考虑上行链路C-RAN系统,我们提出了一个分布式前传压缩方案在分布式RRH和联合恢复算法在BBU部署分布式压缩感知(CS)的技术。与传统的分布式CS不同,C-RAN系统中的CS问题需要考虑多址衰落的潜在影响,以便从用户端到端地恢复发送的信号。我们分析了所提出的端到端信号恢复算法的性能,我们表明,在C-RAN系统中的聚合测量矩阵,其中包含分布式前传压缩和多址衰落,仍然可以满足限制等距属性的概率很高。基于这些结果,我们推导出C-RAN系统中上行链路容量和前传负载之间的折衷结果。
2014-12-15 cs.IT math.IT
Robust and Efficient Distributed Compression for Cloud Radio Access Networks
这项工作研究分布式压缩的云无线接入网络的上行链路,其中多个多天线基站(BS)连接到一个中央单元,也被称为云解码器,通过容量受限的回程链路。由于在不同BS处接收的信号是相关的,所以分布式信源编码策略是潜在有益的,并且可以经由具有边信息的顺序信源编码来实现。针对带边信息的压缩问题,首先回顾了现有的基于最大可达速率和最小均方误差准则的压缩策略。观察到,在任一情况下,每个BS需要关于特定协方差矩阵的信息,以便实现分布式信源编码的优点。由于该协方差矩阵取决于与其他BS相对应的信道实现,因此针对其中关于在每个BS处可用的协方差的信息不完美的实际场景提出了鲁棒压缩方法。该问题是制定使用一个确定性的最坏情况下的方法,并提出了一种算法,实现了一个固定点的问题。然后,BS选择的目的是减少活动BS的数量,从而提高网络的能量效率。一个优化问题,其中压缩和BS选择联合执行引入一个稀疏诱导项的目标函数。一个迭代算法,提出了收敛到一个局部最优点。从数值结果中可以看出,所提出的鲁棒压缩方案补偿了由不完美的统计信息引起的大部分性能损失。此外,所提出的BS选择算法被视为执行接近更复杂的穷举搜索解决方案。
2012-06-15 cs.IT math.IT
MF-based Dimension Reduction Signal Compression for Fronthaul-Constrained Distributed MIMO C-RAN
在这项工作中,我们提出了一个前传压缩方案的分布式MIMO系统与多天线接收机,其中,在信号量化之前,在每个接收机进行降维匹配滤波接收到的信号与一个子集的本地用户信道向量。通过基于全局信道信息来选择这些匹配滤波器向量,可以通过少量信号分量来捕获高比例的潜在容量,然后可以使用局部信号压缩来有效地压缩这些信号分量。我们概述了一个贪心算法为每个接收器选择匹配的滤波矢量,和一个本地变换编码的方法来量化它们,给出表达式所得到的系统和用户容量。然后,我们表明,该计划很容易修改,以占不完美的CSI在接收机。数值结果表明,在低信号维数下,该方案能够在非常接近于切集界的情况下工作,并且在所有工作点,特别是在高信噪比下,与局部压缩相比,该方案在速率容量权衡方面都有显着的改善。
2020-05-27 cs.IT math.IT
Distributed Sequential Hypothesis Testing With Zero-Rate Compression
在本文中,我们考虑序贯测试在一个单一的传感器,一个单一的决策中心设置。在每个时刻$t$,传感器获得$k$样本$(k>0)$,并通过零速率无噪声链路向决策中心描述直到时间$t$的观察序列。决策中心向传感器发送一位反馈,请求更多样本进行压缩/测试或停止传输。在第一类错误概率不超过给定阈值$ε\in (0,1)$的约束下,当决策中心请求数的期望值小于$n$且趋于无穷大时,刻画了第二类错误概率的最优指数.有趣的是,最优指数与零速率通信约束下的固定长度假设检验的最优指数一致。
2021-09-17 cs.IT math.IT
Dimension Reduction-based Signal Compression for Uplink Distributed MIMO C-RAN with Limited Fronthaul Capacity
提出了一种基于降维的上行分布式MIMO云无线接入网(C-RAN)信号压缩方案,该方案在接收天线总体过剩的情况下,用户由通过单个有限容量前传链路连接到中央处理器的分布式多天线接收机联合服务。我们首先表明,在量化噪声限制的操作下,在每个接收器处应用线性降维,然后用均匀的量化噪声水平局部压缩,导致总和容量与前传容量近似线性地缩放,并且可以在割集界限的固定间隙内。最大化联合互信息的降维滤波器被证明是条件Karhunen-Loeve变换的截断形式,并给出了一种块坐标上升算法来寻找一个稳定点。分析和数值计算结果表明,信号维数可以减少,而不会显着的信息损失,特别是在高信噪比,保留使用多余的天线的好处。然后,该方法适用于在接收机处的不完美的信道状态信息的情况。该方案在所有前传速率下都明显优于传统的本地信号压缩,并且网络大小的复杂度线性代表了分布式MIMO C-RAN系统的可扩展解决方案。
2020-05-26 cs.IT math.IT
Robust Distributed Compression of Symmetrically Correlated Gaussian Sources
考虑具有$\ell$分布式编码器和集中式解码器的有损压缩系统。每个编码器压缩其观测源,并将压缩数据转发到解码器,用于在均方误差失真约束下联合重建目标信号。假设观测源可以表示为目标信号和破坏性噪声之和,这两个破坏性噪声独立地产生于两个对称的多元高斯分布。取决于这样的分布的参数,该系统的率失真极限的特征在于完全或至少足够低的失真。结果被进一步扩展到鲁棒分布式压缩设置,其中编码器的子集的输出也可以用于产生对应的目标信号的非平凡重构。特别是,我们在高-当所有$\ell$编码器中的每个$k$共同以相同模式操作时,基于$k+1$或更多编码器的输出的最小可实现重构失真的精确表征,该模式在最小化由相应$k$目标信号的重构引起的失真相对于这些目标信号的平均速率的意义上是贪婪的$k$编码器。
2018-07-18 cs.IT math.IT
Compression and Recovery of Distributed Random Signals
我们考虑的情况下,当一组空间分布的传感器进行本地观测,这是一个感兴趣的信号的噪声版本。每个传感器将关于其测量的压缩信息传输到融合中心,融合中心应该在规定的精度内恢复原始信号。这种信息处理涉及无线传感器网络(WSN)场景。关键问题是找到传感器和融合中心的模型,使它们在一定的标准下,如均方误差(MSE)的相关误差最小化的意义上是最优的。我们确定的技术,这是一个组合的最大块改进(MBI)方法和通用的Karhunen-Loève变换(KLT)的模型。由此产生的多压缩KLT-MBI算法给出的伪逆矩阵,因此,它是数值稳定的,总是存在的。所提出的模型提供了压缩,去噪和重建的情况下,已知的方法是不适用的(由于奇异性的相关矩阵)或产生较大的相关误差的分布式信号。提供了误差分析。
2015-08-19 cs.IT math.IT
Local Decoding in Distributed Compression
最近表明,无损压缩的一个单一的源$X^n$是可实现的强局部性的概念,任何$X_i$可以从一个恒定数量的压缩位解码,在$n$的错误概率为零。相比之下,我们表明,对于两个单独编码的源$(X^n,Y^n)$,无损压缩和强局部性一般是不可能的。具体而言,我们表明,对于类的“混淆”的来源,强本地性不能实现时,其中一个源被压缩到其熵以下。与$n$无关,对于某个索引$i$,解码$(X_i,Y_i)$的错误概率由$2^{-O(d)}$下界,其中$d$表示由本地解码器访问的压缩比特的数量。相反,如果源是不可混淆的,即使其中一个源被压缩到低于其熵,强局域性也是可能的。结果扩展到任意数量的源。
2022-09-27 cs.IT math.IT
Distributed Compression of Graphical Data
与时间序列相比,图形数据是由图的顶点和边索引的数据。诸如互联网、社交网络、基因组学和蛋白质组学之类的现代应用生成图形数据,通常是大规模的。大规模的数据需要压缩存储和后续处理。由于这些数据可能在不同的位置有多个组件,因此研究图形数据的分布式压缩也很重要。在本文中,我们推导出一个率区域,这是一个对应的Slepian-Wolf定理。当分布式图形数据的统计描述可以被建模为两种类型之一时,我们将速率区域表征为标记稀疏Erdos-Renyi系综序列的成员或标记配置模型系综序列的成员。我们的结果是Bordenave和Caputo在稀疏图的局部弱极限研究中引入的熵概念的推广。此外,我们给出了一个推广的Erdos-Renyi和配置模型系综与两个以上的源。
2021-08-20 cs.IT math.IT
Learning Progressive Distributed Compression Strategies from Local Channel State Information
本文提出了一个深度学习框架来设计分布式压缩策略,分布式代理需要压缩源的高维观测数据,然后通过带宽受限的链路将压缩后的比特发送到融合中心进行源重构。此外,我们要求压缩策略是渐进的,以便它可以适应代理和融合中心之间不断变化的链路带宽。此外,为了确保可扩展性,我们调查的策略,只依赖于本地信道状态信息(CSI)在每个代理。为此,我们使用一种数据驱动的方法,其中每个代理的渐进线性组合和统一量化策略都是根据其本地CSI进行训练的。为了应对量化操作建模的挑战(在神经网络的训练中总是产生零梯度),我们提出了一种新的方法,利用批量训练数据的统计数据来设置均匀量化器的动态范围。在数值上,我们表明,建议的分布式估计策略设计,只有本地CSI可以显着降低信令开销,并可以实现较低的均方误差失真的源重建比国家的最先进的设计,需要全球CSI在可比的整体通信成本。
2022-03-09 cs.IT math.IT
Distributed Sensor Selection using a Truncated Newton Method
我们提出了一个新的分布式算法计算截断牛顿法,其中的主对角线的Hessian计算使用的信念传播。作为这种方法的案例研究,我们研究传感器选择问题,布尔凸优化问题。我们形成两个分布式算法。第一个算法是Joshi和Boyd的内点方法的分布式版本,第二个算法是一个数量级更快的近似。作为一个例子,我们讨论了网络中的分布式异常检测。我们证明了我们的解决方案的适用性,使用合成数据和真实的流量日志收集阿比林互联网骨干。
2010-01-14 cs.IT math.IT
Distributed Compression and Multiparty Squashed Entanglement
我们研究了一个协议,其中多方使用量子通信将共享状态传输到接收方,而无需彼此通信。这个协议是一个多方版本的完全量子Slepian-Wolf协议的两个节点,并通过重复应用两个发送者协议而产生。我们描述的分布式压缩问题的可实现的速率区域上的界限。内界产生的表达我们的协议在其顶点和极端射线,等价地,在方面的不平等的可实现的速率区域。我们还证明了所有可能的分布式压缩率的基础上的多方挤压纠缠,多方纠缠的措施,一个外边界。
2008-02-05 cs.IT math.IT quant-ph
Distributed compression through the lens of algorithmic information theory: a primer
分布式压缩是由多个参与方压缩相关数据的任务,每个参与方拥有一段数据并单独行动。经典的Slepian-Wolf定理(D. Slepian,J.K. Wolf,IEEE Transactions on Inf. Theory,1973)表明,如果数据是由来自联合分布的独立抽取生成的,即由无记忆随机过程生成的,则当各方一起行动时,分布式压缩可以实现与集中式压缩相同的压缩率。最近,作者(M。Zimand,STOC 2017)在数学信息论(也称为Kolmogorov复杂性)的框架中获得了Slepian-Wolf定理的模拟版本。与经典定理相比,AIT版本适用于单个字符串,没有任何关于生成过程的假设。唯一的要求是各方知道输入字符串的复杂性概况,这是数据相关性的简单定量度量。本文的目标是以一种可访问的形式呈现,省略了参考文献(M。Zimand,STOC 2017)。
2017-06-26 cs.CC cs.IT math.IT
Study of Sparsity-Aware Distributed Conjugate Gradient Algorithms for Sensor Networks
提出了一种基于共轭梯度法和扩散策略的传感器网络参数估计分布式自适应算法。我们提出了稀疏意识的传统和修改分布式CG算法使用$l_{1}$和对数和惩罚函数。与一致最小均方(Diffusion-LMS)算法和扩散CG算法相比,所提出的稀疏感知扩散分布式CG算法在均方偏差(MSD)和收敛性能方面都有提高,而与扩散分布式递归最小二乘(Recursive Least Squares,RLS)算法性能接近。数值结果表明,所提出的算法是可靠的,可以应用于多种场景。
2015-11-20 cs.IT math.IT
Distributed Compressed Estimation for Wireless Sensor Networks Based on Compressive Sensing
本文提出了一种基于压缩感知技术的稀疏信号和系统的分布式压缩估计方法。该方案由压缩和解压缩模块的启发压缩感知执行分布式压缩估计。文中还提出了一种测量矩阵优化的设计方法和算法,进一步提高了分布式压缩估计算法的性能。无线传感器网络的仿真结果表明,所提出的方案和算法的收敛速度和均方误差性能方面的优势。
2015-02-03 cs.IT math.IT
Distributed conjugate gradient strategies for parameter estimation over sensor networks
提出了一种基于共轭梯度法的分布式自适应算法。增量和扩散自适应解决方案都被认为是。分布式常规(CG)和修改的CG(MCG)算法有一个改进的性能方面的均方误差相比,最小均方(LMS)为基础的算法和性能接近递归最小二乘(RLS)算法。由此产生的算法是分布式的,合作的,能够实时的响应环境的变化。
2013-06-18 cs.IT math.IT
Distributed Sparse Signal Recovery For Sensor Networks
提出了一种基于迭代硬采样保持(IHT)的传感器网络稀疏信号恢复分布式算法。每个代理都有一组信号x的测量值,目标是代理以最小的通信成本和低的计算复杂性从它们的集体测量值中恢复x。IHT的简单分布式实现需要在每次迭代中对每个代理的完整状态进行全局通信。我们发现,我们可以大大降低这种通信成本,利用解决方案的分布式top-K问题的数据库文献。评估表明,我们的算法需要高达三个数量级的总带宽比最有名的分布式基追踪方法。
2013-02-21 cs.IT math.IT
Wirelessly Powered Crowd Sensing: Joint Power Transfer, Sensing, Compression, and Transmission
利用用户设备中的大量传感器以及机会主义的人类移动性,移动人群感知(MCS)已经成为一种强大的范例,其中延长受限设备的电池寿命和激励人类参与是两个关键的设计挑战。为了解决这些问题,我们设想了一种新的框架,名为无线供电人群感应(WPCS),它集成了MCS与无线功率传输(WPT),为所涉及的设备提供额外的能量,从而促进用户激励。本文考虑多用户WPCS系统,其中接入点(AP)将能量传输到多个移动传感器(MS),每个传感器执行数据感测、压缩和传输。假设无损(数据)压缩,通过联合控制AP处的无线功率分配以及MS处的感测数据大小、压缩比和传感器传输持续时间,制定优化问题以同时最大化数据效用并最小化运营商侧的能耗。给定固定的压缩比,所提出的最优功率分配策略具有基于阈值的结构,相对于每个MS的定义的人群感知优先级函数,取决于运营商配置和MS信息。此外,对于固定的感测数据大小,最佳压缩策略表明,只有当感测数据大小足够大时,压缩才能减少每个MS的总能耗。我们的解决方案也扩展到有损压缩的情况下,同时提供了广泛的模拟,以确认的效率的贡献机制。
2018-03-05 cs.IT math.IT
Distributed Detection in Sensor Networks with Limited Range Sensors
研究了传感器网络中传感器距离有限的多目标检测问题.这个问题补充了广泛考虑的分散式检测问题,其中所有传感器都观察到相同的对象。虽然在分散式检测问题中,全球合作的必要性是明确的,但与有限范围传感器合作的好处尚不清楚,也没有得到广泛的探讨。在本文中,我们开发了一个分布式检测方法的基础上,最近的发展虚假发现率(FDR)。我们首先扩展FDR程序,并开发一个转换,利用完整或部分的知识,无论是在每个传感器或合奏(混合物)分布在所有传感器的观察到的分布。然后,我们表明,这种转换适用于多维观测,从而扩展FDR多维设置。我们还将FDR理论扩展到零假设和正假设下的分布都不确定的情况。然后,我们提出了一个强大的分布式算法来执行检测。我们进一步证明了可扩展性,以大SNARY显示,上界的通信复杂性的规模与传感器的数量是在附近的对象,是独立的传感器的总数线性。最后,我们处理的情况下,传感模型可能是不确定的,并建立我们的技术的鲁棒性,这样的不确定性。
2008-03-18 cs.IT math.IT
Maximum Entropy Functions: Approximate Gacs-Korner for Distributed Compression
考虑从联合分布$p_{X,Y}$生成的两个相关源$X$和$Y$。他们的Gács-Körner公共信息,一种利用分布$p_{X,Y}$的组合结构的公共信息的度量,导致显示$X$和$Y$中潜在公共部分的源分解。使用这种源分解,我们构建了一个有效的分布式压缩方案,它可以有效地用于网络设置以及。然后,我们放松组合条件的源分布,这导致一个有效的计划与一个助手节点,这可以被认为是一个前端缓存。这种放松导致了一个内在的权衡之间的速率的助手和速率降低的来源,我们捕获的概念,最佳分解。我们将其表述为近似的Gács-Körner优化。然后,我们讨论这种优化的性质,并提供连接的最大相关系数,以及一个有效的算法,都通过应用谱图理论诱导二分图的$p_{X,Y}$。
2016-04-14 cs.IT math.IT
Distributed Detection in Sensor Networks with Limited Range Multi-Modal Sensors
研究了有限距离多模态传感器传感器网络中的多目标检测问题。有限范围的传感环境出现在传感领域中,易于信号衰减和路径损耗。一般问题补充了广泛考虑的分散检测问题,其中所有传感器观察相同的对象。在本文中,我们开发了一个分布式检测方法的基础上,最近发展的错误发现率(FDR)和相关的BH测试程序。BH过程基于标量检验统计量的秩序。首先,我们开发标量检验统计量的多维数据处理多模态传感器的观察,并建立其最优的BH程序。然后,我们提出了一个分布式算法,在理想情况下的无限衰减识别的传感器,在附近的一个对象。我们证明了通信消息的可扩展性,以大SNET的通信消息的复杂性的上限与在附近的对象的传感器的数量呈线性比例,是独立的SNET中的传感器的总数。这提出了用于评估SNET的性能的重要原则,即,对于通信的可扩展性和关于SNET中的对象或事件的数量的性能的需要,而与网络大小无关。然后,我们考虑有限衰减建模传感器观测破坏所产生的不确定干扰,从遥远的物体和发展强大的扩展,我们理想化的分布式计划。鲁棒性属性确保错误性能和通信消息复杂度随着干扰而优雅地降级。
2008-09-11 cs.IT math.IT
On the Suboptimality of Rate--Distortion-Optimal Compression: Fundamental Accuracy Limits for Distributed Localization
The Alexander Kofkin Faculty of Engineering, Bar-Ilan University(巴伊兰大学亚历山大·科夫金工程学院)
研究在仅能获取独立速率-失真最优压缩多传感器观测的情况下,分布式定位的基本精度限制,通过高斯RD测试信道模型和Whittle频谱Fisher信息特性,推导出频域Cramér-Rao下限,并揭示速率诱导的性能转变。
2026-03-24 cs.IT eess.SP math.IT
Distributed and Rate-Adaptive Feature Compression
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Army Research Laboratory(陆军研究实验室)
针对线性回归中分布式传感器通信速率时变的问题,提出基于一维投影量化的分布式速率自适应特征压缩方案,并通过仿真验证其有效性。
2024-04-02 cs.AI cs.IT math.IT
Extremum-Based Joint Compression and Detection for Distributed Sensing
Bar-Ilan University(巴伊兰大学);Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
研究分布式传感系统中压缩与检测的联合优化问题,提出基于极值的简单策略,通过发送最大样本索引和阈值测试实现高效检测,推导非渐近的误报和误检概率并验证。
2026-03-29 cs.IT eess.SP math.IT
A Distributed Data Collection Algorithm for Wireless Sensor Networks with Persistent Storage Nodes
提出了一种分布式数据汇集算法,用于无线传感器网络获取信息的准确存储转发。该算法不依赖于传感器网络的拓扑结构,路由表,或传感器节点的地理位置,而是利用均匀分布的存储节点。分析和仿真结果表明,该算法可以通过查询任意小的存储节点集,以很高的概率精确收集到传感器节点所传播的数据。
2010-11-11 cs.IT cs.NI math.IT
Learned Distributed Image Compression with Multi-Scale Patch Matching in Feature Domain
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));HUAWEI Technologies Co., Ltd.(华为技术有限公司);Peng Cheng Laboratory(鹏城实验室);Shenzhen University(深圳大学)
除了实现比经典图像压缩编解码器更高的压缩效率之外,深度图像压缩预计将利用附加的边信息来改进,例如,从同一场景的不同角度拍摄的另一张照片。为了更好地利用分布式压缩场景下的边信息,现有方法(Ayzik and Avidan 2020)仅在图像域实现补丁匹配,以解决由视点差异引起的视差问题。然而,图像域的块匹配对不同视角引起的尺度、形状和光照变化鲁棒性差,不能充分利用边信息图像丰富的纹理信息。为了解决这个问题,我们提出了多尺度特征域补丁匹配(MSFRENT),充分利用边信息在分布式图像压缩模型的解码器。具体地说,MSFNN由边信息特征提取器、多尺度特征域块匹配模块和多尺度特征融合网络组成。此外,我们重新利用浅层的区块间相关性来加速深层的区块匹配。最后,我们发现,与图像域的补丁匹配方法相比,我们在多尺度特征域中的补丁匹配进一步提高了约20%的压缩率(Ayzik和Avidan 2020)。
2022-11-28 cs.CV cs.IT math.IT
Channel Simulation and Distributed Compression with Ensemble Rejection Sampling
Department of Electrical and Computer Engineering, University of Toronto(电气与计算机工程系,多伦多大学)
本文提出基于集成拒绝采样的信道模拟与分布式匹配方案,实现近最优编码速率,并首次在拒绝采样家族中达到接近泊松匹配引理的匹配概率,通过分布式压缩实验验证有效性。
2025-10-07 cs.IT cs.LG math.IT
Quantum Compression for Distributed Entanglement
Aalborg University(奥尔堡大学)
针对量子态划分不确定下的多体纠缠分布,提出联合设计资源态与压缩族的方法,通过加权Dicke态对称性优化,在固定传输预算下提升跨划分纠缠量,并给出非渐近界与实用构造。
2026-06-23 cs.IT math.IT quant-ph
Robust Distributed Compression with Learned Heegard-Berger Scheme
本文针对Heegard-Berger问题提出基于学习的分布式压缩方案,使神经压缩器能根据边信息可用性自适应地模拟点对点与Wyner-Ziv编码策略,并接近信息论界限。
2024-05-06 cs.IT eess.SP math.IT
DILAND: An Algorithm for Distributed Sensor Localization with Noisy Distance Measurements
在这种对应关系中,我们提出了一种算法,分布式传感器定位与噪声距离测量(DILAND)的扩展,使DLRE更强大。DLRE是$\mathbb{R}^m$ $(m\geq1)$中的分布式传感器定位算法,在\cite{usman_loctsp:08}中引入。DILAND在以下情况下运行:(i)传感器之间的通信有噪声;(ii)网络中的通信链路可能以非零概率失败;以及(iii)为计算传感器之间的距离而执行的测量被噪声破坏。传感器(不知道它们的位置)位于至少$m+1$锚(知道它们自己的位置的节点)的凸包中。在对网络中每个传感器的连通性和三角测量的最小假设下,这种对应关系表明,在上述广泛的随机现象下,DILAND几乎肯定收敛(a.s.)精确的传感器位置
2009-10-14 cs.DC cs.IT math.IT
Distributed Low-Rank Estimation Based on Joint Iterative Optimization in Wireless Sensor Networks
University of York(约克大学);PUC-Rio(里约热内卢天主教大学);Princeton University(普林斯顿大学)
提出了一种新的分布式降秩算法和一种自适应分布式估计算法。建议的分布式方案是基于一个变换,在网络的每个代理进行降维,然后由一个降维参数向量。提出了一种分布式降秩联合迭代估计算法,与现有技术相比,该算法能够显著降低通信开销,提高估计性能。仿真结果表明,所提出的策略在收敛速度和均方误差性能方面的优势。
2014-11-05 cs.IT cs.LG math.IT
Simultaneous Interference-Data Transmission for Secret Key Generation in Distributed IoT Sensor Networks
下一代智能无线传感系统中的智能传感器节点的物联网(IoT)网络需要分布式安全方案来防止来自不可信传感器节点的被动(窃听)或主动(干扰和干扰)攻击。本文关注的是提高物联网系统的安全性,以解决它们在未来超级计算机的进步中受到攻击或损害的脆弱性。在这项工作中,一种新的嵌入式架构已被设计和实现的分布式物联网网络,利用主从全双工通信来交换随机和连续调制相移作为秘密密钥,用于在更高层的防御。
2019-10-29 cs.IT eess.SP math.IT
LASER: Linear Compression in Wireless Distributed Optimization
School of Computer and Communication Sciences, EPFL(洛桑联邦理工学院计算机与通信科学学院);Department of Electrical and Computer Engineering, UT Austin(德克萨斯大学奥斯汀分校电气与计算机工程系)
本文提出LASER,一种利用梯度低秩结构在噪声信道上高效传输的无线分布式优化压缩方法,兼具理论保证并在视觉和语言任务上优于现有方案。
2024-02-06 cs.AI cs.IT cs.LG
Robust Detection of Random Events with Spatially Correlated Data in Wireless Sensor Networks via Distributed Compressive Sensing
在本文中,我们利用压缩感知的理论,在密集的传感器网络中执行检测的随机源。当传感器密集部署时,相邻传感器的观测值高度相关,而与远距离传感器对应的观测值相关性较低。因此,在任何给定时间所有传感器的级联观测向量的协方差矩阵可以是稀疏的,其中稀疏结构取决于网络拓扑和相关模型。利用协方差矩阵的稀疏结构,我们开发了一个强大的非参数检测器来检测随机事件的存在,使用在分布式节点收集的数据的压缩版本。我们采用的多址接入信道(MAC)模型与分布式随机投影传感器传输观测,以便在融合中心的压缩版本的意见。通过基于使用压缩数据估计的未压缩数据的协方差信息构建判决统计来执行检测。该方法不需要噪声参数的任何知识来设置阈值,并且当分布的随机投影矩阵变得稀疏时也是鲁棒的。
2017-07-07 cs.IT math.IT stat.CO
Kimad: Adaptive Gradient Compression with Bandwidth Awareness
KAUST(阿卜杜拉国王科技大学);HKUST(香港科技大学)
针对分布式训练中的通信瓶颈问题,提出具备带宽感知能力的自适应梯度压缩方案Kimad,可根据实时带宽动态调整各神经网络层的压缩比,经测试验证性能优异,成为该领域的基准方案。
2023-12-13 cs.DC cs.IT cs.LG
Study of Distributed Conjugate Gradient Strategies for Distributed Estimation Over Sensor Networks
提出了一种基于分布式共轭梯度算法的无线传感器网络参数估计和频谱估计算法。特别是,分布式的传统共轭梯度(CCG)和修改共轭梯度(MCG)被认为是与增量和扩散自适应解决方案。分布式CCG和MCG算法在均方误差方面与基于最小均方(LMS)的算法相比具有改进的性能,并且性能接近于递归最小二乘(RLS)算法。与现有的集中式或分布式估计策略相比,本文算法的主要特点是:1)可以获得更精确的估计和更快的收敛速度; 2)CG算法的预处理器设计,提出了一种改进CG算法性能的新方法;所提出的算法在分布参数估计和谱估计领域中实现。所提出的分布式估计算法的性能通过仿真来说明,并且所得到的算法是分布式的、协作的并且能够实时的响应环境的变化。
2016-01-16 cs.DC 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
A New Distributed Localization Method for Sensor Networks
本文研究了在大型传感器网络中仅使用相对距离测量来确定传感器位置的问题。我们的工作来自Khan等人的开创性论文。[1]其中使用重心坐标给出了用于传感器定位的分布式算法,称为DIRECT。DIMENSIONAL算法的主要限制是所有传感器节点必须在锚节点的凸包内。在本文中,我们考虑了一般的传感器网络没有凸包假设,这在确定重心坐标的符号模式带来的挑战。一个标准的开发,以解决这个问题的基础上可用的距离测量。此外,提出了一种新的分布式算法,以保证所有可定位的传感器节点的渐近定位。
2013-01-12 cs.DC cs.IT cs.NI
Pcodec: Better Compression for Numerical Sequences
Pcodec通过分箱算法和两种预处理步骤,在六个真实列式数据集上实现比现有数值编解码器高29-94%的压缩比,且压缩时间更少。
2025-05-25 cs.DS cs.IT math.IT
Distributed Deep Convolutional Compression for Massive MIMO CSI Feedback
Imperial College London(帝国理工学院)
大规模多输入多输出(MIMO)系统需要基站(BS)处的下行链路信道状态信息(CSI)来实现空间分集和复用增益。在频分双工(FDD)多用户大规模多输入多输出网络中,每个用户需要压缩其下行链路CSI并将其反馈给BS。CSI开销随着天线、用户和子载波的数量而缩放,并且成为整体频谱效率的主要瓶颈。在本文中,我们提出了一种基于深度学习(DL)的CSI压缩方案,称为DeepCMC,由卷积层以及量化和熵编码块组成。与之前基于DL的CSI缩减结构相比,DeepCMC提出了一种新的全卷积神经网络(NN)架构,在解码器处具有残留层,并将量化和熵编码块纳入其设计中。DeepCMC经过训练以最小化加权率失真成本,这使得能够在CSI质量和其反馈开销之间进行权衡。仿真结果表明,DeepCMC优于最先进的CSI压缩方案在CSI的重建质量方面,对于相同的压缩率。我们还提出了一个分布式版本的DeepCMC的多用户MIMO场景编码和重构CSI从多个用户以分布式的方式。分布式DeepCMC不仅利用单个MIMO用户的固有CSI结构进行压缩,而且还受益于附近用户的信道矩阵之间的相关性,以进一步提高性能。我们还提出了一种降低复杂度的分布式DeepCMC训练方法,允许将其扩展到多个用户,并提出了一种基于集群的分布式DeepCMC方法用于实际实现。
2020-09-06 cs.IT cs.LG eess.SP
Raptor Codes Based Distributed Storage Algorithms for Wireless Sensor Networks
本文研究了一个大规模无线传感器网络中的分布式存储问题,该网络中的$n$节点之间$k$获取(感知)独立的数据.目标是在整个网络中传播所获取的信息,使得每个$n$传感器存储一个可能编码的分组,并且对于一些小的$ε>0$,可以稍后以计算简单的方式从任何$(1+ε)k$节点恢复原始$k$数据分组。我们提出了两个基于Raptor码的分布式存储算法来解决这个问题。在第一种算法中,所有传感器都具有$n$和$k$的知识。在第二种情况下,我们假设没有传感器具有这样的全局信息。
2009-03-03 cs.DS cs.IT cs.NI
Uncertainty Principle for Communication Compression in Distributed and Federated Learning and the Search for an Optimal Compressor
Moscow Institute of Physics and Technology(莫斯科物理技术学院);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
为了减轻分布式和联邦学习中的高通信成本,各种矢量压缩方案,例如量化、稀疏化和抖动,已经变得非常流行。在设计压缩方法时,目的在于尽可能少地传送比特,这最小化每通信回合的成本,而同时试图对所传送的消息赋予尽可能少的失真(变化),这最小化压缩对通信回合的总数的不利影响。然而,直觉上,这两个目标从根本上是冲突的:我们允许的压缩越多,信息就变得越扭曲。我们形式化这种直觉,并证明了随机压缩算子的{ \em不确定性原理},从而在数学上量化了这种限制,{ \em有效地提供了渐近紧的下限上可能实现的通信压缩}。受这些发展的启发,我们呼吁寻找最佳的压缩算子。在尝试采取在这个方向上的第一步,我们考虑一个无偏的压缩方法的启发Kashin表示的向量,我们称之为{ \em Kashin压缩(KC)}。与所有先前提出的压缩机制相比,KC享有{ \em维度独立}方差界,即使在每个向量条目仅需要传送几个比特的情况下,我们也推导出明确的公式。
2021-01-26 cs.DC cs.IT cs.LG
Adaptive Compression for Communication-Efficient Distributed Training
KAUST(阿卜杜拉国王科技大学);Institut Polytechnique de Paris(巴黎理工学院);MIPT(莫斯科物理技术学院)
我们提出了自适应压缩梯度下降(AdaCGD)-一种新的优化算法,用于具有自适应压缩级别的监督机器学习模型的通信有效训练。我们的方法受到Richtarik等人(2022)最近提出的三点压缩器(3 PC)框架的启发,其中包括误差反馈(EF 21),惰性聚合梯度(LAG)及其组合作为特例,并在弱假设下提供了这些方法的当前最先进的速率。虽然上述机制提供了固定的压缩级别,或者仅在两个极端之间进行适应,但我们的建议是执行更精细的适应。特别地,我们允许用户选择任意数量的任意选择的压缩压缩机制,例如具有用户定义的稀疏化级别K的Top-K稀疏化,或者具有用户定义的量化级别选择的量化,或者它们的组合。AdaCGD在优化过程中自适应地选择合适的压缩器和压缩级别。除了i)提出一种理论上的多自适应通信压缩机制之外,我们还ii)将3 PC框架扩展到双向压缩,即,我们允许服务器也进行压缩,以及iii)在强凸、凸和非凸设置中提供尖锐的收敛边界。凸政权的结果是新的,即使是我们的一般机制,包括3 PC和EF 21的几个关键的特殊情况。在所有的制度,我们的利率优于所有现有的自适应压缩方法。
2022-10-31 cs.DC cs.IT cs.LG
Temporal Predictive Coding for Gradient Compression in Distributed Learning
Université Paris-Saclay, CentraleSupelec, CNRS(巴黎-萨克雷大学、中央高等电力学院、法国国家科学研究中心);Linköping University(林雪平大学);KTH, Stockholm(斯德哥尔摩皇家理工学院)
本文提出一种基于时间预测编码的梯度压缩方法,通过最小二乘优化的线性预测器和事件触发残差传输机制,在分布式学习中显著降低通信成本并保持收敛性能。
2024-10-03 cs.DC cs.IT cs.LG
A Machine Learning Framework for Distributed Functional Compression over Wireless Channels in IoT
Georgia Institute of Technology(佐治亚理工学院);Samsung Research America(三星美国研究院);Qualcomm Technologies, Inc.(高通技术公司)
针对物联网云端数据传输的网络压力问题,提出首个支持GMAC和正交AWGN信道的分布式函数压缩机器学习框架,无需传输原始数据,性能更优且通信量降两个数量级。
2023-05-01 cs.DC cs.IT cs.LG