泛化性能更优
针对联邦元学习双层优化损失景观复杂的问题，引入锐度感知最小化技术，在收敛速度匹配Per-Fedavg的同时获得更紧的泛化界。
吴庆涛 · Yong, Zhang · 刘牧华 · 朱俊龙 · Ruijuan, Zheng · 张明川
IEEE Internet of Things Journal 2024
通过引入 PAC-Bayesian 泛化界分析，证明了 FSM 的泛化界优于现有联邦元学习方法，意味着在未见数据上的性能更有保障。
当本地迭代轮数 T=1 时，FSM 达到 O(1/K) 的收敛速率，与 Per-Fedavg 方法相匹配，没有因为引入锐度感知而牺牲收敛速度。
论文对 FSM 的收敛性和泛化界进行了严格分析，给出了可证明的理论保证，这在实际部署中提供了可靠性依据。