Federated Reinforcement Learning (FRL) ist eine Methode, bei der mehrere Agenten in verteilten Umgebungen ihre Policies durch Verstärkendes Lernen verbessern, ohne ihre lokalen Daten zu zentralisieren.
Jeder Agent lernt lokal aus eigenen Erfahrungen und teilt nur Modellparameter oder Updates mit einem zentralen Server oder untereinander.
Das föderierte Setup ermöglicht es, Datenschutz und Sicherheit zu wahren, während Wissen über verschiedene Umgebungen hinweg aggregiert wird.
Typische Herausforderungen sind die Heterogenität der Daten und Umgebungen, Kommunikationskosten und das Zusammenführen unterschiedlicher Lernfortschritte.
FRL wird angewendet in Bereichen wie verteilten Robotersystemen, Smart Grids oder personalisierten Empfehlungssystemen, die dynamische Entscheidungsprozesse erfordern.