Forskningsprojekt Federerad förstärkningsinlärning: algoritmer och teoretiska grunder
Foto: Roland Magnusson/Mostphotos.
Projektet undersöker hur federerad förstärkningsinlärning (Federated Reinforcement Learning, FedRL, på engelska) kan möjliggöra skalbar och effektiv inlärning i system med flera agenter. Vi vidareutvecklar teori och algoritmer, med tillämpningar i både homogena och heterogena miljöer.
Tidigare forskningsframsteg inom förstärkningsinlärning för enskilda agenter har banat väg för betydande AI-innovationer. Men när det gäller system med flera agenter finns flera utmaningar.
Syftet med vårt projekt är att bygga vidare på de senaste framstegen inom federerad inlärning. Vi kommer att identifiera och utnyttja unika strukturer i FedRL-upplägg som har potential för skalbara lösningar i scenarier med flera agenter. Vårt mål är att vidareutveckla de matematiska och algoritmiska grunderna för FedRL och tänja på gränserna för detta växande forskningsfält.
Utifrån denna vision fokuserar projektet på fyra mål:
- Utvecklar algoritmer och teori för homogena agentmiljöer, och lägga grunden för skalbara FedRL-system.
- Undersöka hur heterogenitet mellan agenter påverkar systemen, vilket är avgörande för att anpassa FedRL till olika verkliga tillämpningar.
- Utveckla kommunikationseffektiva strategier och adressera en av de stora utmaningarna inom federerade miljöer.
- Tillämpa dessa innovationer i verkliga system för att validera effektivitet och tillämpbarhet av FedRL-principerna.