MARC

 008260126s2024        us                              c    eng  d
■001000017361019
■00520260202105653
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265452399
■035    ▼a(MiAaPQ)AAI32409641
■035    ▼a(MiAaPQ)124485
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aQin,  Tiancheng.
■24510▼aDistributed  Multi-Agent  Learning  Under  Federated  and  Competitive  Settings
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a91  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Etesami,  Rasoul.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aIn  recent  years,  the  landscape  of  artificial  intelligence  (AI)  has  undergone  a  transformative  evolution,  transitioning  from  traditional  single-agent  approaches  to  more  sophisticated  and  collaborative  frameworks.  The  convergence  of  distributed  computing  and  multi-agent  systems  has  given  rise  to  the  powerful  and  versatile  field  of  distributed  multi-agent  learning,  allowing  multiple  agents  to  collaboratively  learn  and  adapt  in  complex  and  dynamic  environments.  This  intersection  of  distributed  computing  and  multi-agent  systems  has  ushered  in  a  new  era  of  intelligent  systems  capable  of  tackling  intricate  problems  that  were  once  deemed  insurmountable  for  a  single  entity.  Among  the  various  topics  in  the  field,  in  this  thesis,  we  focus  on  two  that  bear  significant  importance,  namely,  Federated  Learning  and  Learning  in  Stochastic  Games.Federated  Learning  represents  a  paradigm  shift  from  traditional  centralized  models,  offering  a  decentralized  approach  where  model  training  occurs  locally  on  individual  devices  or  servers,  and  only  aggregated  updates  are  shared.  This  transformative  technique  not  only  preserves  data  privacy  but  also  addresses  the  challenges  posed  by  the  growing  volume  and  diversity  of  data  in  our  interconnected  world.On  the  other  hand,  moving  further  from  a  collaborative  scheme  to  a  potentially  competitive  one,  stochastic  games  emerge  as  a  powerful  framework  to  model  multi-agent  decision-making  under  uncertainty.  Unlike  traditional  games,  where  players  operate  in  a  deterministic  environment,  stochastic  games  embrace  the  inherent  unpredictability  of  real-world  scenarios,  where  chance  events  and  the  actions  of  other  players  shape  the  unfolding  dynamics.  This  nuanced  approach  enables  modeling  a  wide  range  of  complex  systems,  from  economic  competitions  and  environmental  negotiations  to  multi-agent  robotic  interactions.In  this  thesis,  we  first  analyze  the  convergence  rate  of  the  local  stochastic  gradient  descent  (SGD)  algorithm  (also  known  as  Federated  Averaging),  arguably  the  most  well-known  and  widely-used  distributed  optimization  algorithm  for  Federated  learning.  Our  contributions  can  be  divided  into  two  categories:  (i)  analysis  of  the  effect  of  local  steps  in  the  convergence  rate  of  Local  SGD  and  (ii)  analysis  of  the  convergence  rate  of  Local  SGD  for  over-parameterized  models.  After  that,  we  move  further  to  the  competitive  scheme  of  stochastic  games.  Specifically,  we  study  a  subclass  of  n-player  stochastic  games,  namely,  stochastic  games  with  independent  chains  and  unknown  transition  matrices,  and  propose  a  scalable  and  independent  decentralized  learning  algorithm  that  is  provably  convergent  to  the  set  of  ε-Nash  equilibrium  policies.
■590    ▼aSchool  code:  0090.
■650  4▼aIndustrial  engineering
■650  4▼aRobotics
■653    ▼aDistributed  learning
■653    ▼aFederated  learning
■653    ▼aStochastic  games
■653    ▼aStochastic  gradient  descent
■690    ▼a0796
■690    ▼a0800
■690    ▼a0546
■690    ▼a0771
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bIndustrial&Enterprise  Sys  Eng.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361019▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books