具有灵活个性化的联邦$\mathcal{X}$-臂赌博机
原文中文，约400字，阅读约需1分钟。发表于：。本文提出了一种在$\mathcal{X}$-臂赌博机框架下进行个性化联邦学习的新方法，旨在解决在高度异质环境中优化本地与全局目标的挑战。我们的方法通过结合个别客户偏好与聚合的全球知识的代理目标函数，灵活权衡个性化与集体学习。理论分析与实证评估表明，相较于现有方法，我们的方法表现出优越性，具有广泛的应用潜力。
该论文介绍了一个用于在线组合优化和有限带反馈的联邦学习框架，将离线单代理逼近算法转化为具有多代理算法，并保证了与时间跨度T的次线性增长，且随着通信代理数量的增加而线性加速。通过实证验证展示了该框架的有效性。
