FRAIN训练：一种快速可靠的去中心化联邦学习解决方案
本文针对现有去中心化联邦学习方法在数据异构性和更新陈旧性带来的性能下降问题，提出了一种新的异步联邦学习方法FRAIN。通过引入快速同步策略和球面线性插值技术，FRAIN能够有效地整合客户更新，保持模型的稳定性和可靠性，尤其在恶劣环境下表现优于传统方法。该研究的主要发现是，FRAIN在解决客户端漂移和提高收敛稳定性方面展现了显著优势。
本文提出了一种新异步联邦学习方法FRAIN，旨在解决数据异构性和更新陈旧性问题。FRAIN通过快速同步策略和球面线性插值有效整合客户更新，提升模型稳定性，尤其在恶劣环境下表现优于传统方法。
