非凸复合型联邦学习：数据异构性下的创新算法
机器学习
2025-02-07 v1 分布式、并行与集群计算
摘要
我们提出一种创新的非凸复合型联邦学习算法，通过解耦 proximal 算子计算与服务器与客户端之间的通信。此外，每个客户端使用局部更新来减少与服务器的通信频率，每轮通信仅发送一个 d 维向量，并克服客户端漂移问题。在分析中，挑战源于算法中解耦策略和局部更新的使用，以及问题的非凸性和非光滑性。我们在一般非凸性和 proximal Polyak-Lojasiewicz 不等式下，分别建立了收敛到有界残差误差的亚线性和线性收敛。在数值实验中，我们在合成数据和真实数据上展示了该算法在状态-of-the-art 方法中的优势。
关键词
引用
@article{arxiv.2502.03958,
title = {Non-convex composite federated learning with heterogeneous data},
author = {Jiaojiao Zhang and Jiang Hu and Mikael Johansson},
journal= {arXiv preprint arXiv:2502.03958},
year = {2025}
}