重新思考异构数据下联邦学习中动量初始化的方法

本研究针对联邦学习中的数据异构性问题，提出了一种新的动量初始化方法。通过提出反向动量联邦学习（RMFL），该方法对梯度施加指数衰减权重，创新性地改变了传统动量累积方式，显著提高了联邦学习的性能。实验表明，RMFL在不同异构水平的基准数据集上都展现出优越的效果。