具有异构客户端的联邦线性上下文多臂老虎机
机器学习
2024-03-04 v1 人工智能
摘要
由于分布式系统产生的数据量不断增长，对多个代理之间协作且私有的多臂老虎机学习的需求正在激增。联邦多臂老虎机学习已成为一种有前景的私有、高效且去中心化的在线学习框架。然而，几乎所有先前的工作都依赖于客户端同质性的强假设，即所有参与客户端应共享相同的多臂老虎机模型；否则，它们都将遭受线性遗憾。这极大地限制了联邦多臂老虎机学习在实际中的应用。在这项工作中，我们引入了一种针对异构客户端的联邦多臂老虎机新方法，该方法在联邦学习设置下对客户端进行聚类以进行协作多臂老虎机学习。我们提出的算法在所有客户端上实现了非平凡的次线性遗憾和通信成本，同时遵循联邦学习下的通信协议，即任何时刻服务器只能共享一个模型。
引用
@article{arxiv.2403.00116,
title = {Federated Linear Contextual Bandits with Heterogeneous Clients},
author = {Ethan Blaser and Chuanhao Li and Hongning Wang},
journal= {arXiv preprint arXiv:2403.00116},
year = {2024}
}