MinMax Mean-Field Team Approach for a Leader-Follower Network: A\n Saddle-Point Strategy
Notice bibliographique
Résumé
This paper investigates a soft-constrained MinMax control problem of a\nleader-follower network. The network consists of one leader and an arbitrary\nnumber of followers that wish to reach consensus with minimum energy\nconsumption in the presence of external disturbances. The leader and followers\nare coupled in the dynamics and cost function. Two non-classical information\nstructures are considered: mean-field sharing and intermittent mean-field\nsharing, where the mean-field refers to the aggregate state of the followers.\nIn mean-field sharing, every follower observes its local state, the state of\nthe leader and the mean field while in the intermittent mean-field sharing, the\nmean-field is only observed at some (possibly no) time instants. A social\nwelfare cost function is defined, and it is shown that a unique saddle-point\nstrategy exists which minimizes the worst-case value of the cost function under\nmean-field sharing information structure. The solution is obtained by two\nscalable Riccati equations, which depend on a prescribed attenuation parameter,\nserving as a robustness factor. For the intermittent mean-field sharing\ninformation structure, an approximate saddle-point strategy is proposed, and\nits converges to the saddle-point is analyzed. Two numerical examples are\nprovided to demonstrate the efficacy of the obtained results.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».