联邦Frank-Wolfe算法
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了现有联邦学习算法在约束机器学习问题上的应用不足，特别是在投影步骤花费高的情况下。提出的联邦Frank-Wolfe算法（FedFW）具有数据隐私、每次迭代成本低以及通信稀疏信号等优点。研究表明，FedFW在光滑凸目标下可在$O(\varepsilon^{-2})$次迭代内达到$\varepsilon$-次优解，在光滑非凸目标下则需$O(\varepsilon^{-3})$次迭代。
本文提出了联邦私有局部训练算法（Fed-PLT），解决了联邦学习中的通信和隐私保护挑战。通过局部参与和训练，减少了通信轮次，实现了对准确性的无影响匹配。同时，代理具有选择不同训练求解器的灵活性，并探讨了如何利用局部训练增强隐私。通过理论分析和数值结果，评估了该算法的有效性。
