面向多任务强化学习中隐私保护的个性化联邦超网络
机器学习
2022-10-21 v2 人工智能
系统与控制
系统与控制
摘要
多智能体强化学习目前聚焦于所有数据与训练可集中至一台机器的实现。但若本地智能体分散于多个任务且需在各任务间保持数据私有，该如何？我们开发了个性化联邦超网络(PFH)在强化学习(RL)中的首个应用。随后提出PFH在少样本迁移中的新颖应用，并展示学习上的显著初始提升。PFH此前从未在监督学习基准之外被证实，因此我们将其应用于重要领域：用于能源需求响应的RL定价。我们考虑智能体分散于多个微电网的通用情形，其中能耗数据须在每微电网内保持私有。综上，我们的工作探索了个性化联邦学习与RL领域如何结合，以在保持数据安全的同时实现跨多任务的高效学习。
引用
@article{arxiv.2210.06820,
title = {Personalized Federated Hypernetworks for Privacy Preservation in Multi-Task Reinforcement Learning},
author = {Doseok Jang and Larry Yan and Lucas Spangher and Costas J. Spanos},
journal= {arXiv preprint arXiv:2210.06820},
year = {2022}
}