Combining Federated Learning and Control: A Survey

这项调查概述了如何将联邦学习（FL）和控制相结合，以增强（非线性）控制应用中的适应性、可扩展性、泛化能力和隐私性。传统的控制方法依赖于控制器设计模型，但实际情况常常需要在线模型调整或学习。FL提供了一种分布式的模型训练方法，可以在分布式设备之间进行协作学习，同时保护数据隐私。通过保持数据本地化，FL缓解了有关隐私和安全性的担忧，同时减少了通信所需的网络带宽要求。本调查总结了结合FL和控制的最新概念和想法。进一步讨论了该方法的系统优势，并详细概述了预期应用的细节，从动态系统建模到控制器设计，重点关注自适应控制和多智能体决策系统中的知识转移。

论文旨在探讨如何结合联邦学习和控制来提高控制应用中的适应性、可扩展性、泛化性和隐私性。传统的控制方法依赖于控制器设计模型，但实际情况通常需要在线模型调整或学习。

该论文提出了一种基于联邦学习的分布式模型训练方法，使得分布式设备之间可以进行协作学习，同时保护数据隐私。通过使数据本地化，联邦学习减轻了有关隐私和安全的担忧，同时减少了通信的网络带宽要求。

该论文总结了结合联邦学习和控制的最新概念和思想，探讨了其方法的优势，并详细概述了预期应用，从动态系统建模到控制器设计，重点关注自适应控制和多智能体决策系统中的知识转移。

最近的相关研究包括“Federated Learning for Control”和“Distributed Control via Federated Learning: A Case Study for HVAC Systems”。