MARC

 008250123s2024        us                              c    eng  d
■001000017161938
■00520250211151505
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383213452
■035    ▼a(MiAaPQ)AAI31298703
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aVerma,  Ashwin.
■24510▼aAdvances  in  Multi-agent  Decision  Making  Systems  With  Adaptive  Algorithms
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a165  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  A.
■500    ▼aAdvisor:  Touri,  Behrouz.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aWith  the  growing  demand  for  computation  and  the  increasing  prevalence  of  resource-constrained  agents,  the  importance  of  leveraging  a  network  of  agents  to  solve  complex  problems  has  become  often  more  pronounced.  A  multi-agent  system  consists  of  interconnected  agents  with  computing  capabilities,  working  collaboratively  towards  a  shared  objective.  Distributed  computation  using  a  multi-agent  system  provides  benefits  with  regards  to  privacy,  reduction  of  computational  load  and  resources.  In  this  dissertation,  we  study  two  problems  that  benefit  from  being  solved  with  the  help  of  a  multi-agent  system  namely  (i)  distributed  convex  optimization  and  (ii)  distributed  fact-checking.  In  part  I,  we  consider  a  set  of  agents  collaboratively  solving  a  distributed  convex  optimization  problem,  asynchronously,  under  stringent  communication  constraints.  In  such  situations,  when  an  agent  is  activated  and  is  allowed  to  communicate  with  only  one  of  its  neighbors,  we  would  like  to  pick  the  one  holding  the  most  informative  local  estimate.  We  propose  new  algorithms  where  the  agents  with  maximal  dissent  average  their  estimates,  leading  to  an  information  mixing  mechanism  that  often  displays  faster  convergence  to  an  optimal  solution  compared  to  randomized  gossip.In  Part  II,  we  explore  a  distributed  fact-checking  system  to  detect  fake  news  using  inexpert  agents.  Each  agent  labels  news  as  true  or  false  based  on  its  reliability,  modeled  as  a  Binary  Symmetric  Channel  (BSC)  with  some  error  probability.  We  develop  an  algorithm  that  estimates  statement  validity  by  thresholding  a  linear  combination  of  agents'  labels  and  deriving  optimal  weights  and  thresholds  to  minimize  error  probability.  Moreover,  we  present  an  adaptive  algorithm  to  learn  the  agents'  unreliability  parameters  and  prove  the  convergence  of  the  adaptive  estimator.  We  also  propose  a  broader  class  of  adaptive  estimators  for  the  agents'  unreliability  parameters,  providing  the  necessary  conditions  for  convergence.  We  show  that  estimators  for  ensembles  of  two  and  three  agents  adhere  to  a  consistent  update  rule,  while  hard-decoded  estimates  fail  to  converge  for  any  number  of  agents.This  dissertation  contributes  to  the  theoretical  aspects  of  distributed  optimization  and  fact-checking  in  multi-agent  systems,  offering  novel  algorithms  and  insights  for  efficient  and  reliable  distributed  decision-making.
■590    ▼aSchool  code:  0033.
■650  4▼aElectrical  engineering
■650  4▼aMathematics
■650  4▼aEngineering
■650  4▼aSystems  science
■650  4▼aInformation  science
■653    ▼aDistributed  optimization
■653    ▼aFact-checking
■653    ▼aMulti-agent  systems
■653    ▼aStochastic  approximation
■653    ▼aConvergence  rates
■690    ▼a0544
■690    ▼a0405
■690    ▼a0537
■690    ▼a0723
■690    ▼a0790
■71020▼aUniversity  of  California,  San  Diego▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-01A.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161938▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books