联邦学习中的数学优化综述
机器学习
2024-12-03 v1 分布式、并行与集群计算
摘要
联邦学习 (FL) 正在成为应用数学和信息科学之间的交叉学科研究领域。从数学角度看，FL旨在协作优化分布数据集上的聚合目标函数，同时满足各种隐私和系统约束。与传统分布式优化方法不同，FL需要解决几个特定问题（例如非独立同分布的数据分布和差分隐私噪声），这在问题表述、算法设计和收敛分析方面提出了一套新挑战。本文将系统性地审阅现有的 FL 优化研究，包括其假设、表述、方法和理论结果。也讨论了潜在的未来方向。
引用
@article{arxiv.2412.01630,
title = {Review of Mathematical Optimization in Federated Learning},
author = {Shusen Yang and Fangyuan Zhao and Zihao Zhou and Liang Shi and Xuebin Ren and Zongben Xu},
journal= {arXiv preprint arXiv:2412.01630},
year = {2024}
}
备注
To appear in CSIAM Transactions on Applied Mathematics (CSIAM-AM)