概念漂移下通过非平稳检测与适应的在线联邦学习

联邦学习（FL）是人工智能研究大背景下一新兴领域。涉及 FL 的方法论假设分布式模型训练，由一组客户端与一服务器构成，主要目标是在隐私顾虑限制数据共享下达成最优全局模型。值得强调的是，FL 现有多样文献多假设平稳数据生成过程；该假设在真实世界条件中不现实，因概念漂移会因例如季节性或周期性观测、传感器测量故障而发生。本文中，我们引入一多尺度算法框架，将近平稳设定下 \textit{FedAvg} 与 \textit{FedOMD} 算法的理论保证与非平稳检测及适应技术结合，以改善概念漂移存在时的 FL 泛化性能。我们给出多尺度算法框架，对 $T$ 轮、底层通用凸损失函数导出 $\Tilde{\mathcal{O}} ( \min \{ \sqrt{LT} , \Delta^{\frac{1}{3}}T^{\frac{2}{3}} + \sqrt{T} \})$ \textit{dynamic regret}（动态遗憾），其中 $L$ 为非平稳漂移发生次数，$\Delta$ 为 $T$ 轮内经历的漂移累积幅度。