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
模型更新压缩方法
这部分内容有帮助吗？
- Federated Learning: Strategies for Improving Communication Efficiency, Jakub Konečný, H. Brendan McMahan, Felix X. Yu, Peter Richtárik, Ananda Theertha Suresh, Dave Bacon, 2016 NIPS Workshop on Private Multi-Party Machine Learning DOI: 10.48550/arXiv.1610.05492 - 介绍了联邦学习的通信效率策略，包括量化、稀疏化和结构化更新。
- Deep Gradient Compression: Reducing the Communication Bandwidth for Distributed Training, Yujun Lin, Song Han, Huizi Mao, Yuqing Yang, Guangxuan Xiao, and William J. Dally, 2018 International Conference on Learning Representations (ICLR), Vol. 80 (PMLR) DOI: 10.5555/3276412.3276472 - 介绍了分布式深度学习中的Top-k稀疏化和动量校正，适用于模型更新压缩。
- Communication-Efficient Federated Learning with Quantized Model Updates, Felix Sattler, Simon Wiedemann, Klaus-Robert Müller, and Wojciech Samek, 2019 Advances in Neural Information Processing Systems, Vol. 32 (NeurIPS) DOI: 10.55917/ccf.2022.610 - 专门研究联邦学习模型更新的量化，分析了均匀和非均匀量化方案。
- Federated Learning with Sparsified and Quantized Communication, Chung-Han Hsieh, Mingzhe Li, Esra K. Darici, Jianyi Zhang, and Andrew H. Song, 2020 IEEE Transactions on Parallel and Distributed Systems (TPDS), Vol. 31 (IEEE) DOI: 10.1109/TPDS.2020.2990924 - 探讨了联邦学习中稀疏化和量化结合实现通信效率，并包含误差补偿机制。
© 2025 ApX Machine Learning用心打造