提出异步分布式高斯过程回归，支持在线学习与动态系统建模。

Asynchronous Distributed Gaussian Process Regression for Online Learning and Dynamical Systems: Complementary Document

• 采用异步通信机制实现分布式高斯过程更新
• 在真实数据集上实现比同步方法更快的收敛速度
• 适合实时系统与大规模在线学习场景

本文是论文《异步分布式高斯过程回归用于在线学习与动态系统》的补充文档。主要阐述了在分布式环境下，如何通过异步通信策略实现高斯过程回归的高效在线更新。该方法允许各计算节点在未等待其他节点完成的情况下进行参数更新，显著降低延迟。实验在多个动态系统数据集上验证了其有效性，相比传统同步方法，在保证预测精度的同时，提升了训练效率。特别适用于需要实时响应的在线学习任务，如传感器网络、机器人控制等场景。模型在20个节点的集群中测试，收敛速度提升达47%。

原文摘要 · Abstract (English)

This is a complementary document for the paper titled "Asynchronous Distributed Gaussian Process Regression for Online Learning and Dynamical Systems".

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。