基于强化学习的D2D支持联邦学习中图形发现方法
摘要：增强联合学习（FL）与直接设备到设备（D2D）通信相结合，可以通过快速的本地信息交换改善收敛速度并减少模型偏差。然而，数据隐私问题、设备信任问题和不可靠的无线信道对确定有效且资源高效的D2D结构提出了挑战。在本文中，我们开发了一种去中心化的强化学习（RL）方法来进行D2D图发现，促进非敏感但有影响力的数据点通过可信且可靠的链接进行通信。每个设备充当RL代理，训练一个预测传入链接影响的策略。局部（设备级别）和全局奖励通过设备集群内部和之间的消息传递相结合。数值实验证实了我们方法在多个数据集和FL方案中在收敛速度和容错能力方面所提供的优势。
作者：Satyavrat Wagle, Anindya Bijoy Das, David J. Love, Christopher G. Brinton
论文ID：2308.03933
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-09