ICASSP 2024 - Day4

主会报告 3:Classical versus Modern Signal Processing Algorithms: A Contrast Study

讲者:Bhaskar D. Rao(University of California San Diego)

本次报告中,信号处理领域的专家Bhaskar D. Rao深入探讨了信号处理算法多年来的演变以及现代方法与经典方法之间的联系。这次报告引发了对现代算法性能和复杂性之间关系的深入思考,并强调了理解现代算法与经典算法之间联系的重要性。

在报告中,Bhaskar D. Rao特别讨论了两个具体案例。首先是阵列处理中的源定位问题,该问题涉及到最小功率无失真响应(MPDR)算法的应用,该算法也被称为最小方差无失真响应(MVDR)算法。讲者指出,近年来稀疏信号恢复(SSR)算法的发展为解决源定位问题提供了新的途径。在这一领域,稀疏贝叶斯学习(SBL)算法以及基于EM(Expectation Maximization)算法的EM-SBL算法引起了广泛关注。他进一步解释说,EM算法的迭代方法不仅提供了MPDR波束形成器的解释,还使得算法的运行过程更加透明。

其次,Bhaskar D. Rao探讨了如何估计给定另一个随机向量的观测值的随机向量的问题。他指出,线性估计技术一直被广泛运用于信号处理应用中,并且随着基于手工制作的非线性特征的数据增强,线性估计技术得到了进一步拓展。然而,随着深度神经网络(DNNs)的崭露头角,非线性估计技术正在逐渐变得更加引人注目。

在报告的最后,讲者强调了对现代算法与经典算法之间联系的深入理解对于推动信号处理领域的创新至关重要。他表示,通过深入研究这些联系,我们可以更好地洞察和理解新算法的工作原理,为未来的研究和应用提供更为坚实的基础。

图 1 报告现场

短课 1:Multi-Agent Optimization and Learning

讲者:Stefan Vlaski (Imperial College London), Ali H. Sayed (École Polytechnique Fédérale de Lausanne)

在过去的几十年里,数据和计算资源的分散已成为21世纪的一个显著特征。这一趋势不仅改变了工程和信号处理领域的范式,还促进了智能系统的设计与发展,使得我们能够直接从数据中构建模型并进行推断。从语音和图像处理到推荐系统、预测、通信系统和功率分配,分布式信号处理和学习技术正在不断取得巨大进步。

随着数据的分散性日益增加,研究人员面临着一个新的挑战:如何有效地利用分布在各个位置的数据集。这些数据不仅存在于中央数据中心,还分布在边缘设备、智能城市中的传感器、智能电网以及机器人和车辆等设备中。为了充分利用这些庞大而分散的数据集,同时保持通信效率、隐私和稳健性,分布式学习算法成为了必不可少的工具。这些算法依赖于本地处理和交互,在设计上能够表现出全局最优的行为。分布式信号和信息处理算法一直是一个活跃的研究领域。如今,随着联邦学习的兴起,这一领域的研究兴趣更是超越了信号处理社区,迅速被主要行业巨头如谷歌和苹果等所采用。

本次报告为研究人员提供了分布式优化和学习的工具,重点关注算法的有效性、系统开发以及性能评估。通过介绍基础概念、联邦学习、图论以及网络上的基本处理等内容,报告帮助学生和研究人员了解这一活跃的研究领域,并为从业者提供了理解分布式多智能体系统的基本知识。讲者首先回顾与分布式优化和学习相关的基本概念,介绍统计学习理论如何影响聚合优化问题的制定以及如何使用随机梯度算法追求问题解决方案的过程。然后,讲者探讨在不交换原始数据的情况下进行学习的必要性,并介绍联邦学习架构如何在融合中心的存在下实现这一目标,最后,重点讨论了在联邦学习环境中合作的好处以及关键因素和性能权衡。