TurboSVM-FL：通过SVM聚合提升面向懒惰客户端的联邦学习

联邦学习是一种分布式协作机器学习范式，近年来发展迅猛。在联邦学习中，中央服务器定期与客户端协调模型，并聚合客户端本地训练的模型，无需访问本地数据。尽管潜力巨大，联邦学习的实施仍面临若干挑战，主要是由于数据异质性导致的收敛缓慢。在跨设备联邦学习场景中，客户端可能受到计算能力和存储空间的严重限制，因此引入额外计算或内存开销的方法（如辅助目标项和更大的训练迭代）可能不切实际。本文提出一种新颖的联邦聚合策略TurboSVM-FL，该策略不会给客户端带来额外计算负担，并能显著加速联邦分类任务的收敛，特别是当客户端“懒惰”且仅训练几个epoch用于下一次全局聚合时。TurboSVM-FL广泛利用支持向量机进行选择性聚合，并对类别嵌入进行最大间隔展开正则化。我们在多个数据集（包括FEMNIST、CelebA和Shakespeare）上使用非独立同分布数据分布的用户独立验证评估了TurboSVM-FL。结果表明，TurboSVM-FL在收敛速度和通信轮次上显著优于现有流行算法，同时提供更好的测试指标，包括准确率、F1分数和MCC。