Dezentralisiertes kollaboratives Lernen personalisierter Modelle über Netzwerke

Wir betrachten eine Gruppe von Lernagenten in einem kollaborativen Peer-to-Peer-Netzwerk, wobei jeder Agent ein personalisiertes Modell basierend auf seinem eigenen Lernen entwickelt. Die Frage, die in diesem Papier behandelt wird, lautet: Wie können Agenten ein lokal trainiertes Modell durch Kommunikation mit anderen Agenten, die Ziele haben, verbessern? Wir führen zwei asynchrone Gossip-Algorithmen in vollständig dezentraler Weise ein und analysieren diese. Unser erster Ansatz, inspiriert von Propagation, zielt darauf ab, vortrainierte lokale Modelle über das Netzwerk zu glätten, wobei das Vertrauen jedes Agenten in sein anfängliches Modell berücksichtigt wird. Unser zweiter Ansatz besteht darin, dass Agenten gemeinsam lernen und ihr Modell durch iterative Aktualisierungen basierend auf ihrem lokalen Datensatz und dem Verhalten der Nachbarn propagieren. Um dieses herausfordernde Ziel zu optimieren, basiert unser dezentralisiertes Verfahren auf ADMM.