A low-cost algorithm foradaptive sampling and censoring in diffusion networks.

Nos últimos anos, redes de difusão adaptativas e filtros adaptativos baseados em grafos se tornaram tópicos de forte interesse na comunidade de processamento de sinais. As redes de difusão adaptativas se consolidaram na literatura como ferramentas interessantes para o processamento distribuído de sinais, apresentando vantagens em relação a soluções centralizadas e a outras técnicas de difusão. Os filtros adaptativos baseados em grafos, por sua vez, vêm ganhando notoriedade por sua capacidade de lidar com situações em que há grandes quantidades de dados relacionados entre si por meio de estruturas irregulares. Em ambos os casos, foram propostas técnicas para reduzir a quantidade de informação medida e transmitida ao longo das redes, o que possibilita reduzir o custo computacional e o consumo energético. Tais técnicas em geral afetam o desempenho das soluções originais, mas são importantes por prolongar a vida útil das redes. Neste trabalho, é proposto um mecanismo adaptativo de amostragem para soluções adaptativas difusas e baseadas em grafos. O algoritmo de amostragem proposto utiliza mais nós quando a magnitude do erro ao longo da rede é elevada e menos nós caso contrário. Dessa forma, alcança-se uma redução significativa em termos de custo computacional ao mesmo tempo em que o impacto no desempenho é mitigado. Mostra-se ainda que, com uma pequena modificação, ele pode ser utilizado para reduzir a quantidade de transmissões entre nós, possibilitando uma economia em termos energéticos. Além disso, é apresentada uma análise teórica acerca do mecanismo proposto, que possibilita uma melhor compreensão do seu funcionamento e permite escolhas mais embasadas para os seus parâmetros.In recent years, diffuse adaptive networks and graph adaptive filters have become topics of strong interest in the signal processing community. Diffuse adaptive networks have consolidated themselves in the literature as interesting tools for distributed signal processing, presenting advantages over centralized solutions and other diffusion techniques. Graph adaptive filters, in turn, have attracted attention for their ability to deal with situations in which there are large amounts of data that are related through irregular structures. In both cases, techniques have been proposed to reduce the amount of information measured and transmitted over the networks, which enables a reduction in the computational cost and in the energy consumption. Such techniques usually affect the performance of the original solutions, but are important for extending the network lifetime. In this work, we propose an adaptive sampling mechanism for distributed adaptive solutions and graph adaptive filters. The proposed sampling algorithm uses more nodes when the magnitude of the error throughout the network is high, and less nodes otherwise. Thus, a significant reduction in computational cost is achieved while the impact on performance is mitigated. It is also shown that, with a small modification, the proposed sampling mechanism can be used to reduce the number of transmissions between nodes, enabling a reduction in energy consumption. Furthermore, we conduct a theoretical analysis of the proposed mechanism, which enables a better understanding of its functioning and allows more suitable choices for its parameters