分布鲁棒性联邦学习：一种ADMM算法
机器学习
2025-03-25 v1
摘要
联邦学习（FL）旨在使用去中心化数据协同训练机器学习（ML）模型，绕开集中数据聚合的需求。标准FL模型通常假设所有数据来自相同的未知分布。然而，在实际情况下，去中心化数据经常存在异构性。我们提出了一种新型FL模型，即分布鲁棒性联邦学习（DRFL），将分布鲁棒优化应用于克服数据异构性和分布不确定性所带来的挑战。我们推导了DRFL的可行化表述，并基于交替方向乘子方法（ADMM）算法开发了一种新求解方法。我们的实验结果表明，在数据异构性和不确定性下，DRFL优于标准FL模型。
引用
@article{arxiv.2503.18436,
title = {Distributionally Robust Federated Learning: An ADMM Algorithm},
author = {Wen Bai and Yi Wong and Xiao Qiao and Chin Pang Ho},
journal= {arXiv preprint arXiv:2503.18436},
year = {2025}
}