为能有效在此之上构建联邦学习 (FL) 知识,本章将重温其核心原理。我们首先回顾标准的联邦学习流程及其基本原理。您将考察联邦环境中遇到的固有难题,特别是统计异构性(非独立同分布数据)和系统异构性(客户端硬件、网络及可用性上的差异)。我们将定义联邦优化中常用的数学目标函数,它通常表示为最小化跨客户端聚合的全局损失:$$ F(w) = \sum_{k=1}^N p_k F_k(w) $$$F_k(w)$ 代表客户端 $k$ 的局部目标,而 $p_k$ 代表其贡献权重。后续部分将比较同步和异步训练模式,分析联邦学习威胁模型内的潜在安全和隐私威胁,并讨论用于评估这些分布式系统性能、效率和公平性的重要衡量指标和方法。此次回顾为后续章节中介绍的进阶技术奠定必要铺垫。