分散型無監視メタ学習アルゴリズムに関するマルチエージェントシステム

複数の相互作用するエージェントから構成されるマルチエージェントシステム（MAS）は、サイバーフィジカルシステム（CPS）において重要であり、並列処理と協調を通じてシステムの適応性、効率性、堅牢性を向上させます。しかし、既存の無監視メタ学習手法のほとんどは集中型であり、データが分散保存され、すべてのエージェントにアクセスできないマルチエージェントシステムには適していません。変分オートエンコーダ（VAE）とセットレベル変分推論に基づくMeta-GMVAEは、さまざまなタスクにわたってデータ表現を効率的に学習することによって生成性能を向上させ、適応性を高め、サンプル要求を減らす洗練された無監視メタ学習モデルを表しています。これらの進展に触発され、私たちはMeta-GMVAEと融合戦略に基づく新しい分散型無監視メタ学習（DUML）フレームワークを提案します。さらに、期待値最大化アルゴリズムによってガウス混合モデルのパラメータを解決するDUMLアルゴリズム（DUMLGMM）を提示します。OmniglotおよびMiniImageNetデータセットにおけるシミュレーションは、DUMLGMMが対応する集中型アルゴリズムの性能を達成し、非協力的アルゴリズムを上回ることを示しています。