联邦深度强化学习
机器学习
2020-02-11 v3 人工智能
摘要
在深度强化学习中，当状态特征空间小且训练数据有限时，构建高质量策略颇具挑战。尽管先前的迁移学习在深度强化学习中取得成功，但由于许多隐私感知应用中数据与/或模型的隐私性，通常不允许将智能体的数据或模型直接迁移至另一智能体。本文提出一种新颖的深度强化学习框架，在考量各智能体隐私的前提下联邦式地构建高质量模型，即联邦深度强化学习（FedRL）。为保护数据与模型隐私，我们在更新各自本地模型时，对彼此共享的信息施加高斯差分（Gausian differentials）。实验中，我们在 Grid-world 与 Text2Action 两个不同领域评估 FedRL 框架，并与多种基线比较。
引用
@article{arxiv.1901.08277,
title = {Federated Deep Reinforcement Learning},
author = {Hankz Hankui Zhuo and Wenfeng Feng and Yufeng Lin and Qian Xu and Qiang Yang},
journal= {arXiv preprint arXiv:1901.08277},
year = {2020}
}
备注
9 pages, 5 figures