DoCoFL：面向跨设备联邦学习的下行链路压缩

已有许多压缩技术被提出以降低联邦学习训练过程的通信开销。然而，这些技术通常为压缩模型更新而设计，而模型更新预期在训练过程中衰减。因此，此类方法不适用于跨设备设定中的下行链路（即从参数服务器到客户端）压缩，其中异构客户端$\textit{可能在训练期间仅出现一次}$，因而必须下载模型参数。相应地，我们提出$\textsf{DoCoFL}$——一种用于跨设备设定中下行链路压缩的新框架。重要的是，$\textsf{DoCoFL}$可与许多上行链路压缩方案无缝结合，使其适用于双向压缩。通过广泛评估，我们表明$\textsf{DoCoFL}$在达到与不压缩基线相竞争的精度的同时，提供了显著的双向带宽缩减。