[论文解读] Distributed Bayesian Learning of Dynamic States

Mert Kayaalp, Virgı́nia Bordignon+3 more|arXiv (Cornell University)|Dec 5, 2022

Bayesian Modeling and Causal Inference被引用 4

一句话总结

该论文提出了一种用于在多智能体网络中使用有限状态隐马尔可夫模型跟踪动态状态的分布式贝叶斯滤波算法。该算法每轮迭代仅需一轮通信，可在状态转移模型满足几何遍历性条件下，保证与集中式最优解的差异渐近有界，并在高斯观测下建立收敛到与智能体中心性相关的稳态误差概率。

ABSTRACT

This work studies networked agents cooperating to track a dynamical state of nature under partial information. The proposed algorithm is a distributed Bayesian filtering algorithm for finite-state hidden Markov models (HMMs). It can be used for sequential state estimation tasks, as well as for modeling opinion formation over social networks under dynamic environments. We show that the disagreement with the optimal centralized solution is asymptotically bounded for the class of geometrically ergodic state transition models, which includes rapidly changing models. We also derive recursions for calculating the probability of error and establish convergence under Gaussian observation models. Simulations are provided to illustrate the theory and to compare against alternative approaches.

研究动机与目标

• 使联网智能体能够仅通过本地交互和每次状态变化一轮通信，协作跟踪时变隐藏状态。
• 分析在一般状态转移模型下，分布式算法与最优集中式贝叶斯滤波之间的性能差距。
• 推导二元假设检验场景下各智能体误差概率的递归表达式。
• 建立在高斯观测模型下智能体信念的分布渐近收敛性。
• 阐明网络结构和智能体中心性在决定稳态误差性能中的作用。

提出的方法

• 该算法采用分布式贝叶斯滤波框架，智能体通过本地观测和一跳邻居信息更新其信念。
• 它利用已知的状态转移模型以改善对快速变化动态的跟踪，避免依赖一致性协议或多轮通信。
• 智能体计算本地对数似然比，并通过双随机组合权重将其组合，形成全局信念更新。
• 该方法利用马尔可夫链的几何遍历性来界定与集中式最优解的偏差。
• 对于高斯模型，该算法推导出误差概率的递归表达式，并证明智能体信念收敛到极限分布。
• 分析采用总变差收敛，并应用马尔可夫链理论结果，以建立信念动态的渐近稳定性。

实验结果

研究问题

• RQ1 在一般动态状态模型下，分布式贝叶斯滤波算法能否相对于集中式最优解实现有界性能？
• RQ2 网络结构如何影响动态环境中单个智能体的稳态误差概率？
• RQ3 智能体中心性对分布式状态估计的收敛性和准确性有何影响？
• RQ4 在无需多轮通信的情况下，该算法能否在状态快速变化时保持性能？
• RQ5 在何种条件下，分布式策略能收敛到各智能体间稳定的误差概率分布？

主要发现

• 在状态转移模型满足几何遍历性时，分布式算法与最优集中式解之间的差异渐近有界。
• 在高斯观测的二元假设检验中，智能体的误差概率收敛到依赖于其在网络中中心性的稳态分布。
• 中心智能体由于信念更新方差较低，其稳态误差概率低于边缘智能体。
• 该算法确保信念分布的总变差收敛，意味着智能体对数似然比收敛到分布。
• 该方法每轮状态变化仅需一轮通信，适用于高度动态的环境。
• 理论结果可推广至单智能体情形，为更广泛的贝叶斯滤波文献做出贡献。