Distributed Shape Learning of Complex Objects Using Gaussian Kernel

要約

この論文では、分散最適化とカーネルベースのサポート ベクター マシンに基づいた、ネットワーク化された複数のロボットの複雑なオブジェクトの分散学習について説明します。
我々の先行技術で想定されていた多項式カーネルの基本的な制限を克服するために、分類用のカーネル関数としてガウス カーネルを採用しました。
ガウス カーネルでは、関数空間の次元が無限であるため、ロボットが有限数の等式制約を通じて関数を共有することが禁止されています。
したがって、ターゲット関数空間が、データではなく有限数の格子点に関連付けられた基底によって広がる空間と同一視されると仮定して、最適化問題を再定式化します。
上記の緩和により、ロボットが有限数の等価制約によって機能を共有できることが示されています。
最後に、数値シミュレーションを通じて現在のアプローチを実証します。

要約(オリジナル)

This paper addresses distributed learning of a complex object for multiple networked robots based on distributed optimization and kernel-based support vector machine. In order to overcome a fundamental limitation of polynomial kernels assumed in our antecessor, we employ Gaussian kernel as a kernel function for classification. The Gaussian kernel prohibits the robots to share the function through a finite number of equality constraints due to its infinite dimensionality of the function space. We thus reformulate the optimization problem assuming that the target function space is identified with the space spanned by the bases associated with not the data but a finite number of grid points. The above relaxation is shown to allow the robots to share the function by a finite number of equality constraints. We finally demonstrate the present approach through numerical simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google