La Teoria dei Giochi Evolutiva Migliora la Cooperazione nell'Apprendimento Federato Decentralizzato

Un nuovo articolo di ricerca propone un quadro basato sulla Teoria dei Giochi Evolutiva (EGT) per analizzare e migliorare la cooperazione nei sistemi di Apprendimento Federato Decentralizzato (DFL). Il DFL è un approccio di apprendimento automatico che preserva la privacy e opera senza un coordinatore centrale, rendendolo suscettibile a comportamenti opportunistici. I modelli EGT tradizionali assumono razionalità perfetta e strategie statiche, il che è irrealistico. L'articolo affronta questo problema modellando le interazioni peer-to-peer su una rete a reticolo sotto razionalità limitata. Formula una matrice di payoff completa che include costi di addestramento, overhead di comunicazione e ricompense cooperative, e adatta una regola di aggiornamento delle strategie per catturare le dinamiche di propagazione spaziale. Il lavoro è disponibile su arXiv con identificativo 2608.01197, presentato come nuovo annuncio. I contributi sono triplici: modellare le interazioni P2P su un reticolo, formulare una matrice di payoff e progettare una regola di aggiornamento delle strategie. Questa ricerca è rilevante per i campi dell'IA, dell'apprendimento automatico e dei sistemi decentralizzati, offrendo una base teorica per migliorare la cooperazione nel DFL.