COIN-GP：基于高斯过程回归的部分测量下网络化分布式系统中的协作在线学习
COIN-GP: Cooperative Online Learning in Networked Distributed Systems with Partial Measurements via Gaussian Process Regression
浏览论文内容
中文总结 AI 辅助
针对分布式传感器网络中的部分观测问题，提出基于观测器的在线分布式高斯过程回归协作学习框架，并给出数据收集策略与误差上界，仿真验证其优越性。
中文摘要 AI 辅助
本文研究了分布式传感器网络中系统状态与部分未知动力学的联合估计问题，特别是在仅有部分状态观测可用的场景下。为解决该问题，我们提出了一种基于观测器的动态协作学习框架，该框架结合了在线分布式高斯过程（GP）回归，能够在测量不完整且GP模型不完善的情况下实现准确估计。此外，我们引入了一种新颖的数据收集策略，并提供了确保数据采集可行性的理论条件。同时，我们还利用GP的确定性误差界，推导了涵盖状态估计和模型估计的误差上界。实证模拟表明，与现有基于分布式GP的方法相比，我们的方法具有优越性。
英文摘要
In this paper, we tackle the problem of jointly estimating the system states and partially unknown dynamics within distributed sensor-equipped networks, particularly in scenarios where only partial state observations are available. To address this issue, we propose an observer-based dynamic cooperative learning framework incorporating online distributed Gaussian Process (GP) regression, which enables accurate estimation despite incomplete in measurements and deficient GP models. In addition, a novel data collection strategy is introduced, with theoretical conditions ensuring feasible data acquisition. Moreover, we also derive an error upper bound encompassing state estimation and model estimation, leveraging the deterministic error bounds of GPs. Empirical simulations demonstrate the superiority of our approach compared to existing distributed GP-based methods.
发表机构
- Technical University of Munich（慕尼黑工业大学）
- The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
- Tongji University（同济大学）
- Shanghai Yangzhi Rehabilitation Hospital（上海市养志康复医院）
- University of Science and Technology of China（中国科学技术大学）
- The Hong Kong Polytechnic University（香港理工大学）
机构由 AI 辅助整理，请以论文原文为准。
