分布式用户基于核的赌博机中的协作学习
机器学习
2023-04-18 v2 机器学习
摘要
我们研究由中心服务器促进的分布式客户端之间的协作学习。每个客户端旨在最大化一个个性化目标函数，该函数为其本地目标与全局目标的加权和。每个客户端可直接获取其本地目标的随机赌博机反馈，但仅能部分观测全局目标，并依赖与其他客户端的信息交换来进行协作学习。我们采用基于核的赌博机框架，其中目标函数属于再生核 Hilbert 空间。我们提出一种基于代理高斯过程（GP）模型的算法，并确立其阶最优的悔值性能（至多相差多对数因子）。我们还表明，可采用 GP 模型的稀疏近似来降低客户端间的通信开销。
引用
@article{arxiv.2207.07948,
title = {Collaborative Learning in Kernel-based Bandits for Distributed Users},
author = {Sudeep Salgia and Sattar Vakili and Qing Zhao},
journal= {arXiv preprint arXiv:2207.07948},
year = {2023}
}