Federated Smoothing ADMM for Localization

要約

このペーパーでは、分散データ、非概念性、および非滑らかさが特徴の連合設定でのローカリゼーションの課題に対処します。
このような環境に固有のスケーラビリティと外れ値の問題に取り組むために、新しいフェデレートADMMフレームワーク内で$ \ ell_1 $ -NORMの定式化を採用する堅牢なアルゴリズムを提案します。
このアプローチは、総変動コンセンサス用語の反復滑らかな近似を統合し、減算された形式で表示される凸関数のモローエンベロープ近似を統合することにより、問題に対処します。
この変換により、問題が各反復でスムーズで弱く凸状であることが保証され、その結果、計算効率が向上し、推定精度が向上します。
提案されているアルゴリズムは、非同期更新と反復ごとの複数のクライアントの更新をサポートし、実際のフェデレーションシステムへの適応性を保証します。
提案されたアルゴリズムの信頼性を検証するために、この方法が固定点に収束することを示し、数値シミュレーションは、既存の最先端のローカリゼーション方法と比較して、収束速度と外れ値の回復力の優れたパフォーマンスを強調しています。

要約(オリジナル)

This paper addresses the challenge of localization in federated settings, which are characterized by distributed data, non-convexity, and non-smoothness. To tackle the scalability and outlier issues inherent in such environments, we propose a robust algorithm that employs an $\ell_1$-norm formulation within a novel federated ADMM framework. This approach addresses the problem by integrating an iterative smooth approximation for the total variation consensus term and employing a Moreau envelope approximation for the convex function that appears in a subtracted form. This transformation ensures that the problem is smooth and weakly convex in each iteration, which results in enhanced computational efficiency and improved estimation accuracy. The proposed algorithm supports asynchronous updates and multiple client updates per iteration, which ensures its adaptability to real-world federated systems. To validate the reliability of the proposed algorithm, we show that the method converges to a stationary point, and numerical simulations highlight its superior performance in convergence speed and outlier resilience compared to existing state-of-the-art localization methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google