个性化联邦 X 臂_bandit
机器学习
2023-10-26 v1 机器学习
摘要
本工作中，我们研究个性化联邦 -armed bandit 问题，其中客户端异构的局部目标在联邦学习范式下同时被优化。我们提出具有独特双重消除策略的 \texttt{PF-PNE} 算法，其在通过有偏但有效的局部目标评估鼓励联邦协作的同时，安全地消除非最优区域。所提出的 \texttt{PF-PNE} 算法能够优化具有任意异质程度的局部目标，且其受限通信保护了客户端奖励数据的机密性。我们的理论分析显示了所提算法相较单客户端算法的益处。在实验上，\texttt{PF-PNE} 在合成与真实数据集上均优于多个基线。
引用
@article{arxiv.2310.16323,
title = {Personalized Federated X -armed Bandit},
author = {Wenjie Li and Qifan Song and Jean Honorio},
journal= {arXiv preprint arXiv:2310.16323},
year = {2023}
}