趋近智
高级联邦学习技术
章节 1: 联邦学习核心原理重温
联邦学习原则回顾
联邦环境中的难题
联邦优化的数学表述
同步联邦学习模型与异步联邦学习模型
联邦学习中的威胁模型
评估联邦学习系统
章节 2: 高级聚合算法
联邦平均（FedAvg）的局限性
FedProx：处理统计异质性
SCAFFOLD: 联邦优化中的方差降低
FedNova：针对异构系统的规范化平均
拜占庭容错聚合方法
自适应联邦优化方法
实践：实现高级聚合
章节 3: 提升联邦学习中的隐私保护
联邦学习中的差分隐私机制
将差分隐私应用于梯度更新
组合定理与隐私预算管理
安全多方计算 (SMC) 聚合协议
同态加密 (HE) 用于安全聚合
联邦学习中差分隐私、安全多方计算与同态加密的比较
隐私攻击：推断与重建
动手实践：实现DP-FedAvg
章节 4: 处理异质性和个性化
异构性的来源：统计性与系统性
处理非独立同分布数据的技术
聚类联邦学习方法
联邦个性化中的元学习
联邦设置中的多任务学习
模型剪枝与设备限制适应
实践：模拟非独立同分布数据及缓解方法
章节 5: 通信效率与系统优化
联邦学习中的通信瓶颈
梯度压缩技术
误差累积与补偿方法
模型更新压缩方法
优化本地计算
异步联邦学习优化
动手实践：实现梯度量化
章节 6: 联邦学习系统设计与实现
联邦学习系统的架构
联邦学习框架概览
模拟与部署
联邦系统的监控与调试
跨筒仓与跨设备联邦学习实现
系统部署中的安全考量
实践：搭建基础联邦学习仿真
误差累积与补偿方法
这部分内容有帮助吗？
- Error Feedback for Gradient Compression: Global and Local SGD, Sebastian Stich, Konrad Koniusz, Nicolas Loizou, Peter Richtárik, 2019 Advances in Neural Information Processing Systems, Vol. 32 (NeurIPS) DOI: 10.55988/neurips-2019-328 - 这篇基础性论文介绍了误差反馈在分布式和局部SGD中梯度压缩的应用，并提供了全面的理论分析，阐明了其收敛特性。
- Federated Learning with Quantized Communication, Sai Praneeth Karimireddy, Sebastian Stich, Franz Hanzely, Peter Richtárik, 2019 Proceedings of the International Conference on Machine Learning (ICML) - 这项开创性工作专门为联邦学习调整和分析了误差反馈（QSGD-EF），展示了其在量化梯度更新下保持收敛的有效性。
© 2025 ApX Machine Learning用心打造