关于联邦学习 每个参与者的 每次epoch结果是否需要聚合；联邦学习流程
目录
关于联邦学习 每个参与者的 每次epoch结果是否需要聚合
一、一般流程
二、聚合时机
三、实际考虑
四、结论
联邦学习流程
一、联邦学习算法概述
二、执行步骤和流程
1. 初始化阶段
2. 联邦平均算法模型阶段（执行epoch 3次）
3. 加权联邦算法阶段（训练完成后）
三、注意事项
关于联邦学习 每个参与者的 每次epoch结果是否需要聚合
这实际上取决于具体的联邦学习算法和系统设计。
一、一般流程
在联邦学习的典型流程中，每个参与者（也称为客户端或设备）会在本地数据集上执行多个epoch的训练。在每个epoch结束后，参与者会计算本地模型的更新（例如，权重更新）。这些本地更新随后被发送到中央服务器（也称为聚合器或协调器）。
二、聚合时机
- 每次epoch后聚合：在某些情况下，中央服务器可能会在每次epoch后都聚合来自参与者的本地更新。这种方式的优点是可以更频繁地更新全局模型，从而可能更快地收敛到最优解。然而，这也可能增加通信开销和计算复杂度。
- 所有epoch后聚合：