可证明收敛的联邦三层学习
原文中文，约200字，阅读约需1分钟。发表于：。提出了一种异步联邦三层优化方法，利用 μ- 割集构造超多面体逼近三层优化问题并以异步方式解决，证明了该方法的非渐近收敛速率的迭代复杂度上界为 O (1/ε^2)，并通过实验验证了该方法的优越性。
本文研究了联邦学习中的标签噪声问题，并提出了基于学习的重新加权方法来减轻影响。同时，还提出了Comm-FedBiO方法来解决通信效率低的Federated Bilevel Optimization问题，并在多个真实世界数据集上验证了其优越性。
