Forskningsprojekt Federerad förstärkningsinlärning: algoritmer och teoretiska grunder

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 delas projektet in i fyra delar (work packages, WP, på engelska):

• WP-A utvecklar algoritmer och teori för homogena agentmiljöer, och lägger grunden för skalbara FedRL-system.
• WP-B undersöker hur heterogenitet mellan agenter påverkar systemen, vilket är avgörande för att anpassa FedRL till olika verkliga tillämpningar.
• WP-C utvecklar kommunikationseffektiva strategier och adresserar en av de stora utmaningarna inom federerade miljöer.
• WP-D tillämpar dessa innovationer i verkliga system för att validera effektivitet och tillämpbarhet av FedRL-principerna.

Tillsammans utgör dessa delar en samlad strategi för att göra viktiga framsteg inom FedRL-området, och skapa förutsättningar för banbrytande forskning och tillämpning.