El Aprendizaje por Refuerzo Federado (FRL) es un método en el que varios agentes en entornos distribuidos mejoran sus políticas mediante aprendizaje por refuerzo, sin centralizar sus datos locales.
Cada agente aprende localmente de sus propias experiencias y solo comparte parámetros del modelo o actualizaciones con un servidor central o entre ellos.
La configuración federada permite mantener la privacidad y la seguridad, mientras se agrega conocimiento a través de diferentes entornos.
Los desafíos típicos son la heterogeneidad de los datos y entornos, los costos de comunicación y la combinación de diferentes avances en el aprendizaje.
FRL se aplica en áreas como sistemas robóticos distribuidos, redes inteligentes o sistemas de recomendación personalizados que requieren procesos de toma de decisiones dinámicos.