联邦非线性系统辨识

我们考虑线性参数化非线性系统的联邦学习。我们建立了联邦非线性系统辨识相较于集中式方法有效性的理论保证，证明收敛速度随客户端数量增加而提高。尽管线性和非线性情况下的收敛速度仅相差一个常数，但该常数取决于特征映射 $\phi$，在非线性设置中可以精心选择以增加激励并提高性能。我们在物理环境中通过实验验证了我们的理论，其中客户端设备由独立同分布的控制输入和表现出独立同分布随机扰动的控制策略驱动，确保了非主动探索。实验使用了以实解析特征函数（包括多项式和三角函数分量）为特征的非线性动力系统的轨迹，这些系统代表了包括摆和四旋翼动力学在内的物理系统。我们分析了所提方法在不同噪声水平和数据分布下的收敛行为。结果表明，随着参与客户端数量的增加，联邦学习持续改善任何单个客户端的收敛性。