Федеративное обучение с подкреплением (FRL) — это метод, при котором несколько агентов в распределённых средах улучшают свои политики с помощью обучения с подкреплением, не централизуя свои локальные данные.
Каждый агент обучается локально на собственном опыте и делится только параметрами модели или обновлениями с центральным сервером или между собой.
Федеративная настройка позволяет сохранять конфиденциальность и безопасность, одновременно агрегируя знания из разных сред.
Типичные задачи включают гетерогенность данных и сред, затраты на коммуникацию и объединение различных результатов обучения.
FRL применяется в таких областях, как распределённые робототехнические системы, интеллектуальные энергосети или персонализированные рекомендательные системы, требующие динамических процессов принятия решений.