FL论文专栏｜设备异构、异步联邦

论文：Asynchronous Federated Optimization（12th Annual Workshop on Optimization for Machine Learning）

链接
实现Server的异步更新。每次Server广播全局Model的时候附带一个时间戳，Client跑完之后上传将时间戳和Model同时带回来，Server收到某个Client的上传数据后马上更新，更新时Client的数据要额外乘上一个滞后函数，时间离得越远权重越小。
同时定义了三种滞后函数

1. 常数滞后函数
   常数滞后函数保持恒定，不随滞后量的变化而变化。
2. 多项式滞后函数
   多项式滞后函数随滞后量增大而单调递减。
3. 锥形滞后函数
   锥形滞后函数在滞后量较小时保持恒定值，当滞后量超过某一阈值后开始递减。
   

论文：Pisces: efficient federated learning via guided asynchronous training（ACM SoCC 2022）

链接
考虑到异步FL会导致一直有Client上传梯度，导致Server不断更新全局Model，使得算法变得低效，论文提出设置一个异步FL中同时train的Client数量上限，并提出了一个评分标准，每次优先让分高的跑。

如果想评分高，就得数据量大、loss高、相隔时间短。

这是该论文的另一个算法。b是超参数，称为目标滞后边界，用于调节Server聚合的频率，Lmax是所有Client更新所需时间的最大值。二者相除得到一个I，代表最短更新间隔。如果上次更新和这次更新时间不足I,就不更新，反之更新。

论文：Towards Flexible Device Participation in Federated Learning（AISTATS 2021）

链接
文章涉及的东西比较多，主要就是考虑了新进设备、设备退出、设备没跑完一次流程这三种情况。
1.首先就是分析了设备离开，也就是某个设备在某次训练后退出了FL。
先提了一嘴全局目标函数

文章说在某个设备离开后，可以有两种操作。第一种就是让他完全退出，就是全局目标函数里也没有他了。第二种就是让他保留全局目标函数里的权重。
二者的区别是第一种情况其他的Client权重会因为这个设备的退出而变大，第二种情况其他权重不会变。据说第二种操作能保持全局目标的一致性，但会导致性能下降，所以需要取舍一下。
2.然后又定义了一个“快速重启”，就是说新设备加入时，对全局目标会有一个拉动的效果，所以需要暂时增加额外的梯度。

3.又考虑了一种Client未能跑完但是就得上传的情况，给出了三种方案。

还有个数学公式，但感觉不重要

论文：Sageflow: Robust Federated Learning against Both Stragglers and Adversaries（NeurIPS 2021）

论文聚焦于掉队者和恶意攻击。
提出基于陈旧度的分组、熵过滤、损失加权平均方法，总称Sageflow。

基于陈旧度的分组

对于每个Client根据速度进行分类，服务器每个周期T采样一次，每次只采样速度为Ti的组的模型信息。每个组内部分别先依照FedAVG聚合一下，然后再所有组全部乘上各自的陈旧度聚合起来，形成最终的全局model。

熵过滤

共享少数数据，然后利用这些少数数据跑出一个熵，熵就是用于评估两个模型之间预测分布的差异度，如果差异过大高于某个阈值则可能是恶意攻击，过滤掉。

损失加权平均

跟熵差不多，每个model计算权重的时候额外乘跟全局model的区别值，跟全局model区别越大自身的权重越低。这可以缓解轻微的恶意攻击。

论文：A General Theory for Federated Optimization with Asynchronous and Heterogeneous Clients Updates（ICML2023）

文章主要是数学分析证明算法的收敛性，算法只有很少一部分。
提出了随机权重的方法，但是没有见得哪里随机。
具体方法是Server定时收集一下Client的全部梯度，如果Client在规定时间内完成了本地计算，则权重✖️1，否则变为0。
然后每个Client的权重综合考虑了数据质量和数据量。
没有感觉创新。

论文： Sharper Convergence Guarantees for Asynchronous SGD for Distributed and Federated Learning（NeurIPS2022）

主要是提出了一个自适应步长，步长大小基于时延，时延越大，步长越小。

另外该文章有很多很有价值的数学证明。