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
梯度压缩技术
这部分内容有帮助吗？
- QSGD: Communication-Efficient SGD via Gradient Quantization, Dan Alistarh, Demjan Grubic, Jerry Li, Ryota Tomioka, Milan Vojnovic, 2017 Advances in Neural Information Processing Systems, Vol. 30 (NeurIPS) - 本文介绍了量化SGD（QSGD），这是一种用于通信高效分布式训练的基础性随机量化方法，与梯度量化直接相关。
- Sparsified SGD with Memory, Stich, Sebastian U., Cordonnier, Jean-Baptiste, Jaggi, Martin, 2018 Advances in Neural Information Processing Systems, Vol. 31 (NeurIPS) - 这项研究分析了稀疏化SGD，包括Top-k选择，并讨论了减少信息损失的记忆机制，直接针对梯度稀疏化。
- Deep Gradient Compression: Reducing the Communication Bandwidth for Distributed Training, Lin, Yujun and Han, Song and Mao, Huizi and Wang, Yu and Diao, Wei and Xun, Shang and Tang, Wei and Yang, Myron and Fan, Xiangyu and Gan, Rong, 2018 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1712.01887 - 本文提出了一种有影响力的方法，结合稀疏化、量化和误差补偿，在分布式训练中显著减少通信量。
© 2025 ApX Machine LearningEngineered with