
Die Autoren stellen ein neuartiges Aggregationsschema namens CAESAR vor, das konvergenzorientierte Stichprobennahme mit einem Screening-Mechanismus kombiniert, um die Lerneffizienz von Agenten in Federated Reinforcement Learning (FedRL) Szenarien mit heterogenen Markov-Entscheidungsprozessen (MDPs) zu verbessern.


coremsg

optimierung-von-federated-reinforcement-learning-in-heterogenen-mdps-durch-konvergenzorientierte-stichprobennahme-mit-screening


Optimierung von Federated Reinforcement Learning in heterogenen MDPs durch konvergenzorientierte Stichprobennahme mit Screening


title_rewrite


The core message of this paper is to introduce the Convergence-AwarE SAmpling with scReening (CAESAR) aggregation scheme, which enhances the learning of individual agents across varied Markov Decision Processes (MDPs) in federated reinforcement learning settings characterized by environmental heterogeneity.


enhancing-federated-reinforcement-learning-in-heterogeneous-environments-through-convergence-aware-sampling-and-selective-screening


Enhancing Federated Reinforcement Learning in Heterogeneous Environments through Convergence-Aware Sampling and Selective Screening
