FedStale：利用陈旧客户端更新进行联邦学习

联邦学习算法（如FedAvg）因数据异构性和部分客户端参与问题而受到影响。为缓解后者问题，全局方差缩减方法（如FedVARP）利用陈旧模型更新来为非参与客户端提供支持。这些方法在客户端参与均匀时效果良好。然而，本文指出，当某些客户端的参与程度远低于其他客户端时，聚合不同水平陈旧更新会损害训练过程。基于此观察，我们引入FedStale——一种新型算法，通过参与客户端的"新鲜"更新与非参与客户端的"陈旧"更新的凸组合来更新全局模型。通过调整凸组合中的权重，FedStale在FedAvg（仅使用新鲜更新）与FedVARP（对等对待新鲜与陈旧更新）之间进行插值。我们对FedStale的收敛性分析得出以下新发现：i）它整合并扩展了之前FedAvg和FedVARP分析至异构客户端参与情形；ii）它凸显了最少参与客户端对收敛误差的影响；iii）它提供了实用指南，表明陈旧更新的有用性随数据异构性增加和参与异构性增加而减弱。大量实验涵盖多样化的客户端数据与参与异构性，不仅印证了这些发现，也表明FedStale在许多设置下均优于FedAvg和FedVARP。