研究者提出对抗鲁棒联邦Q学习算法Robust Async-Fed-Q
热点事件持续更新
研究者提出对抗鲁棒联邦Q学习算法Robust Async-Fed-Q
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Sreejeet Maity 和 Aritra Mitra 提交论文，提出 Robust Async-Fed-Q——一种基于 epoch 的联邦强化学习算法，结合智能体端的方差缩减 Bellman 最优算子估计与服务器端的鲁棒聚合。据论文称，即使部分智能体发送任意损坏信息，该算法仍能保留协作带来的样本效率增益，论文同时给出了配套的上下界。
AI 根据报道生成 · 3 小时前更新
最新进展10月7日 12:00
从不可靠轨迹中学习：抗 adversarial 的联邦 Q-Learning报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv：cs.LG从不可靠轨迹中学习：抗 adversarial 的联邦 Q-Learning
研究提出 Robust Async-Fed-Q，一种基于 epoch 的联邦强化学习算法，通过方差缩减的 Bellman 最优算子估计与服务器端鲁棒聚合，在部分智能体发送任意损坏信息时仍保留协作的样本效率增益。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。