Robust Networked Federated Learning for Localization

要約

本稿では、データが多数のデバイスに分散している連携環境において、本質的に非凸で非平滑であるローカライゼーションの問題を取り上げる。連携環境は非中央集権的であるため、分散学習はスケーラビリティと適応性のために不可欠となる。さらに、このような環境はしばしば異常値データに悩まされ、特に推定精度の維持とアルゴリズムの収束の確保において、従来の手法に大きな課題をもたらす。これらの課題を軽減するために、我々は、これらの障害を扱うように明確に設計された分散部分勾配の枠組みの中で、$L_1$ノルムロバスト定式化を採用する手法を提案する。我々のアプローチは、反復的な単純化や近似に頼ることなく、そのままの形で問題に対処し、計算効率の向上と推定精度の向上をもたらす。本手法が定常点に収束することを実証し、その有効性と信頼性を強調する。数値シミュレーションにより、特に外れ値の多い環境において、既存の最先端のローカリゼーション手法を凌駕する、我々の手法の優れた性能を確認する。

要約(オリジナル)

This paper addresses the problem of localization, which is inherently non-convex and non-smooth in a federated setting where the data is distributed across a multitude of devices. Due to the decentralized nature of federated environments, distributed learning becomes essential for scalability and adaptability. Moreover, these environments are often plagued by outlier data, which presents substantial challenges to conventional methods, particularly in maintaining estimation accuracy and ensuring algorithm convergence. To mitigate these challenges, we propose a method that adopts an $L_1$-norm robust formulation within a distributed sub-gradient framework, explicitly designed to handle these obstacles. Our approach addresses the problem in its original form, without resorting to iterative simplifications or approximations, resulting in enhanced computational efficiency and improved estimation accuracy. We demonstrate that our method converges to a stationary point, highlighting its effectiveness and reliability. Through numerical simulations, we confirm the superior performance of our approach, notably in outlier-rich environments, which surpasses existing state-of-the-art localization methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL