联邦学习与分布式学习的区别

联邦学习问题：
我们的目标是在设备生成的数据被本地存储和处理的约束下学习这个模型，而只有中间更新周期性与中央服务器进行通信。

一、联邦学习与分布式学习的区别
1.用户对自己的设备和数据有绝对的控制权，可以随时让自己的设备停止参与计算与通信；
2.worked node是不稳定的设备；
3.通信代价远大于计算代价；
4.联邦学习的数据不是独立同分布的；
5.联邦学习的节点负载不平衡。

二、联邦学习研究点
1.算法的效率；
2.保护隐私；
3.鲁棒性（拜占庭将军问题）。