联邦神经遗传算法

ICLRMay, 2022

Federated Neural Bandits

Zhongxiang Dai, Yao Shu, Arun Verma, Flint Xiaofeng Fan, Bryan Kian Hsiang Low...

TL;DR本篇论文介绍了联邦神经 - 上置信区间算法 (FN-UCB)，该算法采用两个上界置信区间 (UCB) 的加权组合，以更好地利用联合设置，并证明了 FN-UCB 的累积后悔和通信轮数上限。

Abstract

Recent works on neural contextual bandits have achieved compelling performances due to their ability to leverage the strong representation power of neural networks (NNs) for reward prediction. Many applications o

neural contextual bandits federated contextual bandits reward prediction ucb weighted combination

发现论文，激发创造

基于上置信界探索的神经上下文波段算法

我们提出了一种新算法 NeuralUCB 来解决随机上下文的赌博机问题，它利用了深度神经网络的表达能力并使用基于神经网络的随机特征映射来构建奖励的上界，证明了该算法能够在一些基准测试中具有实际竞争力且能够保证近乎最优的回报保证。

Nov, 2019

多方面的情境输送智能体：神经网络视角

本文研究了多方向赌博机的新问题，提出了一种使用神经网络和 UCB 算法的 MuFasa 算法，证明了其具有较优的拟下界回归分析效果，并在真实数据集上展示了它在电子商务等领域的优异性能。

Jun, 2021

个性化联邦多臂老虎机

提出了个性化联邦多臂老虎机 (PF-MAB) 的总体框架，研究了一个灵活平衡泛化和个性化的混合老虎机学习问题，并提出了个性化联邦上置信上界 (PF-UCB) 算法，在理论分析和实验方面都取得了良好效果。

Feb, 2021

联邦多臂老虎机

这篇论文提出了联邦多臂老虎机的新模型，并研究了两个具体的联邦多臂老虎机模型，提出了 Federated Double UCB 方法用于解决两个模型，理论与实验结果表明了该算法的效果和高效性。

Jan, 2021

联邦语境强化学习中的公平性和隐私保证

在联邦环境中，考虑具有公平性和隐私保证的上下文多臂赌博机问题。我们提出了一种新的通信协议，使得联邦学习更加有效，并提供了确保差分隐私的算法。我们通过广泛的模拟实验证明了我们提出算法的有效性。

Feb, 2024

差分隐私联合线性赌博机算法

本文就基于上下文线性赌博机的联邦学习问题提出了一种称为 FedUCB 的多代理私有算法，该算法在中央化和去中心化（点对点）联邦学习方案中均可使用，在保证通信隐私的同时，在后遗憾度和隐私保证方面表现出极强的实用性。

Oct, 2020

高效沟通的联邦非线性赌博机优化

我们提出了一种名为 Fed-GO-UCB 的新算法，用于具有通用非线性目标函数的联邦赌博优化问题，通过严格证明，Fed-GO-UCB 能够以次线性速率实现累积遗憾和通信成本。

Nov, 2023

差分隐私下的联邦推荐系统

本文探讨了结合差分隐私和多智能体赌博学习的联邦私有赌博机制。我们研究了如何将基于差分隐私的置信上界方法应用于多智能体环境，特别是应用于主 - 从和完全分散的联邦学习环境中，并提供了有关所提出方法的隐私和后悔性能的理论分析，并探讨了这两者之间的权衡。

May, 2020

批次神经赌博机

本文研究了一类常见的序贯决策问题 —— 批处理问题，提出了一种结合神经网络和乐观性的算法 BatchNeuralUCB，用于解决探索利用平衡及限制批数量的问题，并在理论上证明了其有效性，在合成和真实数据集上进行了验证。

Feb, 2021

具有有限对抗动作的联邦线性赌臂机

研究联邦线性赌臂模型，其中 M 个客户端与中央服务器通信，解决具有有限对抗行动集的线性上下文赌臂问题。提出了 FedSupLinUCB 算法，并证明其实现了总遗憾 O (dT) 的性能边界，并分析了其通信成本。将 FedSupLinUCB 进一步扩展到方差自适应和对抗性破坏的情景，通过实验证明了该算法的有效性。

Nov, 2023