L'apprentissage par renforcement fédéré (FRL) est une méthode où plusieurs agents dans des environnements distribués améliorent leurs politiques par apprentissage par renforcement, sans centraliser leurs données locales.
Chaque agent apprend localement à partir de ses propres expériences et partage uniquement les paramètres du modèle ou les mises à jour avec un serveur central ou entre eux.
La configuration fédérée permet de préserver la confidentialité et la sécurité tout en agrégeant les connaissances à travers différents environnements.
Les défis typiques sont l'hétérogénéité des données et des environnements, les coûts de communication et la fusion des progrès d'apprentissage différents.
Le FRL est appliqué dans des domaines tels que les systèmes robotiques distribués, les réseaux intelligents ou les systèmes de recommandation personnalisés nécessitant des processus décisionnels dynamiques.