分散联邦学习：在信息共享不完善情况下的模型更新跟踪
原文中文，约400字，阅读约需1分钟。发表于：。提出了一种新颖的分散噪声模型更新跟踪联邦学习算法 (FedNMUT)，该算法在存在反映不完善信息交换的噪声通信通道的情况下高效运行。该算法使用梯度跟踪来最小化数据异质性的影响，同时也最小化通信开销。该算法将噪声纳入其参数中，以模拟噪声通信通道的条件，在这样具有挑战性的环境中通过通信图拓扑实现客户端之间的一致性。FedNMUT...
提出了一种新颖的分散噪声模型更新跟踪联邦学习算法 (FedNMUT)，该算法在存在反映不完善信息交换的噪声通信通道的情况下高效运行。FedNMUT 优先考虑参数共享和噪声纳入，以增加去中心化学习系统对噪声通信的抵抗能力。
