联邦学习3 Communication-Efficient Learning of Deep Networksfrom Decentralized Data 开山论文

提出背景：

数据隐私敏感、数量庞大

本文贡献：

1、提出分散式的方法：（联邦学习）将训练数据分布在移动设备上，并通过聚合本地计算的更新来学习共享模型。 

2、提出了一种基于迭代模型平均的深度网络联合学习的实用方法。FederatedAveraging 算法，该算法将每个客户端上的局部随机梯度下降 (SGD) 与执行模型平均的服务器相结合。

3、在五种不同的模型架构和四个数据集训练

联邦优化我们将联邦学习中隐含的优化问题称为联邦优化，它与分布式优化建立了联系（和对比）。 联邦优化有几个关键属性，使其与典型的分布式优化问题不同：

 

————————————————
别人的笔记：https://blog.csdn.net/qq_42328228/article/details/109136675