.png){kind=icon}
返回
Joint Statistical Mask Learning and Distributed Estimation Without Support Priors
.png){kind=icon}
PRE
AI
DOI：10.1109/TSIPN.2025.3599781.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了在部分可观测性条件下的分布式估计问题，其中节点必须协同处理被掩码或残缺的测量数据以推断全局目标向量。此类掩码现象源于传感限制、通信约束或隐私需求。我们提出了一种新颖的分布式掩码信息学习框架，将扩散最小均方（DLMS）算法扩展至在节点特定观测掩码下运行。为促进有效协作，我们开发了一种受信号流启发的组合策略以及基于阈值的支持推断算法。这使各节点能够识别目标信号的可观测分量，并自适应地控制局部估计的扩散。我们分析了所提方法在均值和能量意义下的收敛性，并基于掩码估计误差推导了最优阈值选择的条件。在时域和变换域稀疏性场景下的仿真结果表明，与标准DLMS相比，本方法在均方偏差上实现了30-40 dB的改进，在现实可观测性比率下达到了与完全可观测设置相当的性能。这些结果凸显了掩码感知自适应在实现网络化信号处理中的鲁棒性和可扩展性方面的潜力。
Keyword:
Diffusion LMS
distributed estimation
mask learning
partial observation
期刊
IF:
4.9
论文数:
734
被引数:
1.9K
机构
引用论文
.png){kind=icon}
Resilience in Online Federated Learning: Mitigating Model-Poisoning Attacks via Partial Sharing在线联邦学习中的鲁棒性：通过部分共享缓解模型投毒攻击
PREAI
分享收藏
查看更多内容