Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Actor-Crítico de Pareto para la cooptimización de la comunicación y la computación en servicios de aprendizaje federado no cooperativo

Created by
  • Haebom

Autor

Renxuan Tan, Rongpeng Li, Xiaoxue Yu, Xianfu Chen, Xing Xu, Zhifeng Zhao

Describir

Este artículo presenta PAC-MCoFL, un marco de aprendizaje por refuerzo multiagente (MARL) basado en teoría de juegos para abordar la dinámica no cooperativa del aprendizaje federado (AF) en un ecosistema multiproveedor de servicios (PS). PAC-MCoFL considera a los proveedores de servicios como agentes y optimiza conjuntamente la asignación de clientes, la cuantificación adaptativa y la asignación de recursos. Integra el principio Pareto Actor-Crítico (PAC) y la regresión predictiva para lograr un equilibrio óptimo de Pareto, modela perfiles de riesgo heterogéneos y gestiona eficientemente espacios de acción de alta dimensión mediante un mecanismo de descomposición cartesiana trinomial (TCAD). Además, desarrollamos una variante escalable, PAC-MCoFL-p, que incorpora un generador de conjeturas parametrizado que reduce significativamente la complejidad computacional y limita considerablemente el error. Amplias simulaciones, junto con garantías de convergencia teórica, demuestran su superioridad sobre las soluciones MARL de última generación existentes, mejorando la recompensa total y el índice de hipervolumen (HVI) en aproximadamente un 5,8% y un 4,2%, respectivamente.

Takeaways, Limitations

•
Takeaways:
◦
Se presenta un nuevo marco MARL de teoría de juegos para mejorar la eficiencia del aprendizaje federado en entornos de múltiples proveedores de servicios.
◦
Lograr el equilibrio óptimo de Pareto y modelar perfiles de riesgo heterogéneos utilizando el principio PAC y regresión predictiva.
◦
Gestión eficiente de espacios de acción de alta dimensión mediante mecanismos TCAD.
◦
Complejidad computacional reducida y error acotado mediante variantes escalables de PAC-MCoFL-p.
◦
Demostrando superioridad sobre los métodos existentes a través de la compensación total y la mejora del HVI.
◦
Lograr un equilibrio efectivo entre el SP individual y el rendimiento del sistema en entornos de implementación escalables y con heterogeneidad de datos diversos.
•
Limitations:
◦
Falta de validación experimental en entornos reales de proveedores multiservicio (basándose en resultados de simulación)
◦
Se necesitan más investigaciones para determinar los parámetros óptimos del generador de estimaciones parametrizadas de PAC-MCoFL-p.
◦
Se requiere verificación de robustez para diversas topologías de red y retrasos de comunicación.
👍
Made with Slashpage