Verteilter unbeaufsichtigter Meta-Lernalgorithmus über Multi-Agenten-Systeme

Multi-Agenten-Systeme (MAS), die aus mehreren interagierenden Agenten bestehen, sind entscheidend in Cyber-Physischen Systemen (CPS), da sie die Systemanpassungsfähigkeit, Effizienz und Robustheit durch parallele Verarbeitung und Zusammenarbeit verbessern. Die meisten bestehenden unbeaufsichtigten Meta-Lernmethoden sind jedoch zentralisiert und nicht für Multi-Agenten-Systeme geeignet, in denen Daten verteilt gespeichert und für alle Agenten unzugänglich sind. Meta-GMVAE, basierend auf Variational Autoencoder (VAE) und set-level Variationsinferenz, stellt ein anspruchsvolles unbeaufsichtigtes Meta-Lernmodell dar, das die generative Leistung verbessert, indem es effizient Datenrepräsentationen über verschiedene Aufgaben lernt, die Anpassungsfähigkeit erhöht und die Anforderungen an die Stichprobe reduziert. Inspiriert von diesen Fortschritten schlagen wir einen neuartigen Verteilten Unbeaufsichtigten Meta-Lernrahmen (DUML) basierend auf Meta-GMVAE und einer Fusionsstrategie vor. Darüber hinaus präsentieren wir einen DUML-Algorithmus basierend auf einem Gaußschen Mischmodell (DUMLGMM), bei dem die Parameter des Gauß-Mischmodells durch ein Erwartungs-Maximierungs-Algorithmus gelöst werden. Simulationen auf den Omniglot- und MiniImageNet-Datensätzen zeigen, dass DUMLGMM die Leistung des entsprechenden zentralisierten Algorithmus erreichen und nicht-kooperative Algorithmen übertreffen kann.