部分用户参与场景下的基于牛顿法的联邦学习算法

摘要

联邦学习是应对数据孤岛和隐私保护问题的新型分布式学习框架。关注二阶梯度联邦学习算法，针对更为实际的仅能有部分用户参与联邦学习任务的假设情形，开展对于联邦学习牛顿算法的研究。从理论上证明了算法的收敛。通过利用McDiarmid不等式，理论上解释了参与用户的数量与算法的收敛速度以及最终的收敛误差之间的权衡关系。实验结果表明算法能够快速高效地收敛，有效降低联邦学习的通信成本，证明了算法的有效、实用性和理论的正确性。

关键词

联邦学习 / 牛顿法 / 收敛性 / 分布式计算 / 通信有效

基金资助

国家自然科学基金–广东省大数据重大项目(U1811461)