FenixEdu™

Dissertação

Distributed Learning and Inference for Gaussian Mixtures EVALUATED

Detalhes: Um sistema distribuído consiste num conjunto de agentes ligados por uma rede de comunicações esparsa: a rede não liga cada agente a todos os outros; liga cada um a um número reduzido de agentes. Após cada agente efetuar medições locais, a rede colabora para aprender a partir do conjunto de todos os dados. Para permitir esta aprendizagem é necessário um algoritmo distribuído que especifique as mensagens que cada agente comunica aos seus vizinhos. Configurações distribuídas podem modelar aplicações como localização cooperativa distribuída de um alvo por uma equipa de Veículos Aéreos Não Tripulados (VANT) que estabelecem comunicações sem fios, com acesso a medidas locais. Nesta tese desenvolvemos algoritmos distribuídos que visam resolver duas questões: (1) Como ajustar uma mistura de K Gaussianas a um conjunto de medições? (2) Como classificar uma medição como pertencendo a uma de K Gaussianas? Relativamente a (1), desenvolvemos três aproximações do algoritmo EM (Expectation-Maximization, valor Esperado-Maximização) distribuídas e escaláveis. Os nossos algoritmos permitem aos agentes ajustar uma mistura de Gaussianas a um conjunto de medições cujas parcelas estão espalhadas pela rede. A literatura considera conjuntos de medições inteiras espalhadas, ao passo que os nossos algoritmos expandem o estado da arte numa direção mais útil. Quanto a (2), desenvolvemos um detetor distribuído com um desempenho próximo do conseguido pelo detetor ótimo, centralizado, assegurando escalabilidade. A literatura considera Gaussianas com estruturas específicas, tal como covariâncias diagonais, enquanto que nesta tese expandimos o estado da arte permitindo estruturas arbitrárias.
Keywords: Algoritmos distribuídos, modelo de mistura de Gaussianas, algoritmo EM distribuído, detetor distribuído

Discussão: novembro 26, 2019, 11:0