联邦分布鲁棒优化算法

异步收敛快、抗攻击强

该算法通过新型约束D-范数不确定性集和动态工作节点调整，在非凸目标下高效求解联邦分布鲁棒优化问题，显著提升收敛速度与鲁棒性。

Jiao, Yang · 杨恺 · Song, Dongjin

IEEE Transactions on Mobile Computing 2025

技术优势

异步也能收敛

算法专为异步环境设计，允许节点独立更新，无需等待慢节点。

抗恶意攻击

通过约束D-范数不确定性集，即使部分节点被攻击或数据异常，模型性能仍能保持稳定。

收敛更快

动态调整工作节点数量，在保证精度的同时加速收敛。

应用场景

• 联邦学习：用于数据不共享的跨机构模型训练，提升对异常数据的鲁棒性。
• 分布式优化：求解大规模分布式优化问题，支持异步更新和动态调整。
• 多智能体协作：在多智能体系统中协作学习，抵抗个别智能体的恶意行为。
• 边缘智能：部署于边缘设备，在资源受限和不可靠通信下实现鲁棒学习。