基于强化学习的无监督联邦学习智能信息交换
机器学习
2024-02-16 v1
摘要
去中心化机器学习范式（如联邦学习（FL））的主要挑战之一是存在本地非独立同分布数据集。分布式设备之间的设备到设备传输（D2D）已被证明是处理这个问题的有效工具，并且对掉队者具有鲁棒性。然而，在无监督情况下，由于缺乏标签，数据交换如何进行并不明显。在本文中，我们提出了一种使用强化学习创建最优数据传输图的方法。目标是形成能够考虑环境约束并提供最大收益的链接，并在无监督FL环境中提高收敛速度。数值分析显示了所提出方法在收敛速度和掉队者鲁棒性方面相对于不同可用FL方案和基准数据集的优势。
引用
@article{arxiv.2402.09629,
title = {Smart Information Exchange for Unsupervised Federated Learning via Reinforcement Learning},
author = {Seohyun Lee and Anindya Bijoy Das and Satyavrat Wagle and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2402.09629},
year = {2024}
}