Персонализированное совместное обучение с уменьшением вариативности на основе сходства

Чэнью Чжан (MIT) https://simons.berkeley.edu/talks/chenyu-zhang-mit-2026-02-26 Обучение на основе гетерогенных источников Многоагентное обучение сталкивается с фундаментальным противоречием: использование распределенного сотрудничества без ущерба для персонализации, необходимой для различных агентов. Это противоречие усиливается при стремлении к полной персонализации с адаптацией к неизвестным уровням гетерогенности — получение ускорения совместной работы, когда агенты похожи, без ухудшения производительности, когда они различаются. Принимая этот вызов, мы предлагаем персонализированное совместное обучение (PCL), новую структуру для гетерогенных агентов, позволяющую совместно изучать персонализированные решения с бесшовной адаптацией. Благодаря тщательно разработанным механизмам коррекции смещения и коррекции важности, наш метод AffPCL надежно обрабатывает как гетерогенность среды, так и объективную гетерогенность. Мы доказываем, что AffPCL снижает сложность выборки по сравнению с независимым обучением в $\max\{n^{-1}, \delta\}$, где $n$ — количество агентов, а $\delta\in[0,1]$ измеряет их гетерогенность. Это основанное на сходстве ускорение автоматически интерполирует между линейным ускорением федеративного обучения в однородных условиях и базовым уровнем независимого обучения, не требуя предварительного знания системы. Наш анализ также показывает, что агент может получить линейное ускорение даже при сотрудничестве с произвольно непохожими агентами, что открывает новые перспективы в области персонализации и сотрудничества в условиях высокой гетерогенности.