聯邦強化學習(FRL)使用多個代理(Agent)聯合建構，在不共享原始資料的情況下，產生更好的決策。

強化學習(Reinforcement Learning, RL)

強化學習(RL)應用於許多實際決策中，但強化學習(RL)經常遭受樣本效率低下的問題。
當強化學習(RL)用於提供決策支持時，它的性能受到一個人擁有的資料集樣本大小的限制。
直接的解決方案是多個強化學習(RL)代理(Agent)共享他們的資料，共同建構一個單一代理(Agent)。
但是在許多應用中，強化學習(RL)資料可能包含敏感訊息，因此禁止共享。

聯邦強化學習(Federated Reinforcement Learning, FRL)

聯邦強化學習(FRL)，目的在從多個方面聯合構建更好的策略，各個代理(Agent)不需要他們分享他們的原始軌跡。
聯邦強化學習(FRL)用於解決強化學習(RL)在實際系統中的樣本效率低下問題，例如：自動駕駛、物聯網設備控制優化、和資源網路管理。

現有的聯邦強化學習(FRL)框架不具備理論上的收斂保證，因此缺乏對實際聯邦強化學習(FRL)應用的取樣效率的保證，這是一個嚴重的缺點。

• 聯邦強化學習(FRL)需要每個代理(Agent)都參與模型訓練
  實際應用環境中強化學習(RL)資料的高采樣成本，與訓練資料不同的聯邦學習(FL)可以離線收集。
• 聯邦強化學習(FRL)需要一種減少方差的聯合策略梯度框架的優化技術，保證收斂結果
  實際應用環境中的交互速度可能很慢，成本很昂貴，這使得聯邦強化學習(FRL)的採樣效率變的至關重要。