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.

Das Modell nutzt eine ternäre kartesische Zerlegung (TCAD), um die hohe Dimensionalität des Aktionsraums zu reduzieren und eine feine Steuerung der Ressourcenverteilung zu ermöglichen. Eine skalierbare Variante, PAC‑MCoFL‑p, führt einen parametrisierten Konjunktur‑Generator ein, der die Rechenkomplexität deutlich senkt, während die Fehlergrenzen theoretisch begrenzt bleiben.

Simulationen zeigen, dass PAC‑MCoFL die Gesamtbelohnung um etwa 5,8 % und den Hypervolume‑Indikator (HVI) um 4,2 % gegenüber den neuesten Multi‑Agent‑Reinforcement‑Learning‑Lösungen verbessert. Darüber hinaus balanciert das System die Leistungen der einzelnen SPs besser aus und bleibt robust gegenüber unterschiedlichen Datenheterogenitäten in großen Deployments.