Jul, 2022

多机器人场景中去中心化联邦强化学习

PDF
TL;DR本文提出了一种基于移动代理的方法，在 Webots 中用 Tartarus 来去中心化联邦学习，实现在连接机器人的情况下的去中心化联邦增强学习（dFRL），在基于 Q 学习和 SARSA 的实验中，通过聚集它们对应的 Q 表，证明了在机器人领域使用去中心化联邦学习的可行性。
federated learningdecentralizationmulti-robot scenariosmobile agentswebots
发现论文，激发创造
  • 关于分散式联邦学习的调查

    去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

    Aug, 2023

  • 联邦学习中高效客户端选择的多智能体强化学习方法

    本文提出了一种基于 Multi-Agent Reinforcement Learning 的 Federated learning 框架 - FedMarl，该框架不仅可以显著提高模型精度，还能大幅降低处理延迟和通信成本，从而解决了 Federated learning 在实际应用中的训练效率问题。

    Jan, 2022

  • 联合学习在互联、协作和自动化工业系统中的机会

    该研究论文探讨了联邦学习对下一代网络化工业系统的机会和挑战，重点关注联网自动驾驶和智能制造中的协作机器人。

    Jan, 2021

  • 基于区块链的安全分散式学习

    提出了基于区块链的分布式联邦学习（BDFL），利用区块链进行分散化模型验证和审计，包括审核委员会、激励机制、信誉模型和动态网络更新协议。评估结果表明，BDFL 在存在 30％恶意客户端的系统中，通过信誉机制实现了快速模型收敛和高准确性。

    Oct, 2023

  • 强化学习作为鲁棒和公平联邦学习的催化剂：解读客户贡献的动态

    提出了一种新的强化联邦学习（RFL）框架，通过深度强化学习在聚合过程中自适应优化客户贡献，提高模型对恶意客户的鲁棒性和参与者之间的公平性，在非独立分布的情况下实现鲁棒性和公平性，并通过验证集性能引导的奖励机制获得了可靠性和公平性的可比较水平。

    Feb, 2024

  • 无协调的复杂网络分散式联邦学习：克服异构性

    在高度普及的边缘场景中，缺乏中央控制器和预定的设备连接导致了复杂的网络结构，我们提出了一种通信高效的分散式联邦学习（DFL）算法来解决由数据和不同训练历史引起的异构学习难题，研究结果表明，与竞争方法相比，我们的解决方案能够训练出更好的本地模型并且在通信效率上更为优越。

    Dec, 2023

  • 在模拟家庭环境中的联邦学习中学习社交合适的代理行为

    社交机器人在日常生活中的广泛应用中，确保它们的行为与社会规范相一致至关重要。为了实现广泛应用场景，探索个体机器人可以在了解自己独特环境的同时，也能从其他机器人的经验中学习的联邦学习（FL）设置是很重要的。本文介绍了一种新颖的 FL 基准，评估使用多标签回归目标的不同策略，其中每个客户端独立学习预测不同机器人行为的社会适切性，并与其他人分享其学习成果。此外，通过将训练数据根据不同的上下文进行分割，使每个客户端在不同的上下文中逐步学习，我们提出了一种新颖的联邦保持学习（FCL）基准，该基准将 FL 方法与最先进的连续学习（CL）方法结合起来，以在不同的上下文设置下持续学习社会适切的代理行为。加权的联邦平均（FedAvg）出现为一种强大的 FL 策略，而基于排练的 FCL 使得能够逐步学习机器人行为的社会适切性，跨越不同的上下文划分。

    Mar, 2024

  • 当联邦学习遇见区块链：一种新的分布式学习范式

    本文研究了基于区块链的去中心化联邦学习框架，该框架能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化，同时解决了独特的技术问题，并提供了实验结果。

    Sep, 2020

  • 联邦学习的进展和开放问题

    本文讨论联邦学习的最新进展和挑战，并提出了一系列开放性问题和挑战。

    Dec, 2019

  • DFML：分散式联邦互联学习

    我们提出了一种无服务器的去中心化联邦互联模型学习（DFML）框架，通过相互学习和循环改变监督和蒸馏信号的量，有效处理模型和数据异构性，并在各种条件下，在收敛速度和全局准确性上优于流行基准。

    Feb, 2024