凸问题-非凸问题-非凸模型

• 凸问题：目标函数（如损失函数）是 “凸函数” 的优化问题，凸函数特征是局部最优解 = 全局最优解，训练更易收敛（类比碗状函数，小球滚动必落底部 ）；

• 非凸问题（如深度神经网络）则有大量局部最优，训练难度更高。

• 非凸模型：深度神经网络（如 Transformer、ResNet ）的损失函数是 “非凸” 的，存在大量局部最优（类比山地地形，小球可能卡在山坡凹处，而非全局最低山谷 ）；研究非凸模型的收敛性，是 FL 落地复杂任务（如大模型训练）的关键。

• 数据异构性（非 IID，Independent and Identically Distributed ）：客户端数据分布不同（如 A 医院数据多是老年病，B 医院多是儿科病 ）；

• IID 指数据同分布（理想假设，实际 FL 中难满足 ），

• 非 IID 会导致 “客户端漂移”（本地训练后参数过度适配本地数据，全局聚合后模型效果差 ）。