Online learning over distributed networks

Dağıtılmış ağlar üzerinde online öğrenme stratejileri üzerinde çalışmaktayız. Burada öğrenme ve işbirliği kabiliyetine sahip ajanların dağıtılmış bir koleksiyonuna sahibiz. Bu ajanlar istenilen state parametresinin gürültülü versiyonunu gözlemlemekteler. State öğrenmeyi amaçlayan ajanlar aynı zamanda birbirleri ile etkileşime girmektedir fakat iletişim yükü önemli bir rol oynamaktadır. Bu amaçla yayılan veriden sıkıştırılmış bilgiyi çıkarabilen sıkıştırılmış yayınım stratejilerini öneriyoruz. Ajanlar bilgiyi bir skalere veya bir bite kadar sıkıştırabilirler. Bir diğer ifadeyle iletişim yükünü büyük ölçüde azaltabilirler. Önemli olarak ajanlar sonsuz hassasiyet gerektiren ve herhangi bir sıkıştırma işlemi kullanmayan geleneksel yayınım stratejileri ile karşılaştırabilinir performans sergileyebilirler. Ayrıca hatanın karesinin ortalaması açısından en iyileştirilmesi için hangi bilginin yayılması ve nasıl kullanılması gerektiğini inceliyoruz. Bilinen tüm dağıtılmış öğrenme stratejileri hatanın karesinin ortalaması açısından suboptimaldir. Bu yüzden herhangi bir ağ topolojisi üzerinde bilginin her bir ajanda toplanmasını kullanan, en küçük dağıtılmış hatanın karesinin ortalamasını başarabilen algoritmalar sağlıyoruz. Bu yaklaşım yerel kestirimlerin değiş tokuş yapıldığı, ağ üzerinde bilginin yayıldığı, yaklaşımlardan farklılık göstermektedir. Fakat yerel kestirim parametrelerinin yayınımı sadece özel ağ topolojileri üzerinde yeterli olmaktadır. Bu ağlar için bilginin yayınımını kullanan ve en küçük dağıtılmış hatanın karesinin ortalamasını başarabilen algoritmalar da öneriyoruz. Böylece olası en iyi performansı başarırken iletişim yükünü büyük ölçüde azaltabiliriz. Son olarak pratik uygulamalar için gözlemlerin zaman içerisinde pencerelenmesini kullanan yaklaşımlar sağlıyoruz.