联邦聚合(FedAvg、FedProx、SCAFFOLD)

联邦聚合算法对比(FedAvg、FedProx、SCAFFOLD)

论文链接：

FedAvg：Communication-Efficient Learning of Deep Networks from Decentralized Data

FedProx: Federated Optimization in Heterogeneous Networks

SCAFFOLD: SCAFFOLD: Stochastic Controlled Averaging for Federated Learning

解决问题

联邦学习存在四个典型问题：

1. server端以及device端的网络连接是有限的，在任何时刻，可能都只有部分节点参与训练。
2. 数据是massively分布的，所以参与联邦学习的devices非常多
3. 数据是异构的
4. 数据分布是不均匀的

这几篇论文的重点都试图在解决上面四个问题，研究的重心是，如何在2、3、4的条件下， 提出一种communication rounds最少的方法。

FedAvg

假设一共有

    K
   
  
  
   K
  
 
K个clients，每个clients都有固定容量的数据。在每轮训练开始的时候，随机

 
  
   
    C
   
  
  
   C
  
 
C（

 
  
   
    C
   
  
  
   C
  
 
C 表示占比）个clients参与训练。即考虑有clients掉线的实际情况。

联邦学习的目标是：

其中

     f
    
    
     i
    
   
   
    (
   
   
    w
   
   
    )
   
   
    =
   
   
    ℓ
   
   
    (
   
   
    
     x
    
    
     i
    
   
   
    ,
   
   
    
     y
    
    
     i
    
   
   
    ;
   
   
    w
   
   
    )
   
  
  
   f_i(w) = \ell(x_i, y_i;w)
  
 
fi​(w)=ℓ(xi​,yi​;w) 表示clients端的损失函数。

FedAvg算法就是在clients端进行多轮训练，然后server端对各个clients端的

    w
   
  
  
   w
  
 
w 根据数据量占比进行聚合。算法流程如下：

FedProx

FedProx对clients端的Loss加了修正项，使得模型效果更好收敛更快：

其中clients端的Loss为：

所以每轮下降的梯度为：

SCAFFOLD

思想与FedProx类似，也是对梯度进行修正：

FedProx 与 SCAFFOLD都是用了一个全局模型去修正本地训练方向。

实验结果

上图展示了达到0.5的test accuracy，各方法所需要的迭代轮数，SCAFFOLD是最快的。这是SCAFFOLD论文中做的对比实验，看起来FedProx没有达到宣称的效果。

需要的迭代轮数，SCAFFOLD是最快的。这是SCAFFOLD论文中做的对比实验，看起来FedProx没有达到宣称的效果。