基于 V2X 网络资源分配的尺度不变式联邦强化学习
信号处理
2024-05-06 v1
摘要
联邦强化学习（FRL）为车联网（V2X）网络中的资源分配提供了一系列实际挑战的解决方案。然而，个体代理之间的数据差异会显著降低 FRL 类算法的性能。为解决这一局限性，我们利用 ReLU 激活神经网络的节点级不变性特性，以减少数据差异以提高学习性能。基于这一特性，我们引入一种反向尺度不变操作，以开发一种尺度不变的 FRL 算法。仿真结果表明，所提出的算法显著提高了收敛速度和收敛性能。
引用
@article{arxiv.2405.01961,
title = {Rescale-Invariant Federated Reinforcement Learning for Resource Allocation in V2X Networks},
author = {Kaidi Xu and Shenglong Zhou and Geoffrey Ye Li},
journal= {arXiv preprint arXiv:2405.01961},
year = {2024}
}