FedSUM 系列：针对任意客户端参与情况的高效联邦学习方法
机器学习
2025-12-23 v1 最优化与控制
摘要
联邦学习（FL）方法往往针对特定的客户端参与模式进行设计，限制了其在实际部署中的适用性。我们引入FedSUM系列算法，该系列支持任意客户端参与，且无需对数据异构性作出额外假设。我们的框架使用两种延迟指标来建模参与波动性，即最大延迟 和平均延迟 。FedSUM系列包括三个变体：FedSUM-B（基础版本）、FedSUM（标准版本）和FedSUM-CR（通信简化版本）。我们提供统一的收敛保证，表明该方法在多样化的参与模式下均有效，从而拓宽了FL在现实场景中的适用性。
引用
@article{arxiv.2512.18275,
title = {FedSUM Family: Efficient Federated Learning Methods under Arbitrary Client Participation},
author = {Runze You and Shi Pu},
journal= {arXiv preprint arXiv:2512.18275},
year = {2025}
}