PAC‑MCoFL: Pareto‑optimiertes Federated Learning für nicht kooperative SPs
In einer neuen Studie aus dem arXiv‑Repository wird das PAC‑MCoFL‑Framework vorgestellt, das die Kommunikation und Rechenleistung in Federated‑Learning‑Netzwerken von mehreren Serviceanbietern (SPs) gleichzeitig optimiert. Durch die Kombination von Pareto‑Actor‑Critic‑Prinzipien mit Expectile‑Regression können die SP‑Agenten ihre individuellen Risikoprofile berücksichtigen und gleichzeitig Pareto‑optimale Gleichgewichte erreichen.
