提出联邦学习的目的：解决数据孤立问题和安全隐私问题。
联邦学习的主要思想：基于分布在多个设备上的数据集构建机器学习模型，同时防止数据泄露。（是一种分布式机器学习方法）
联邦学习架构
联邦学习的架构分为两种，一种是中心化联邦（客户端/服务器）架构，一种是去中心化联邦（对等计算）架构。
应用场景：
针对联合多方用户的联邦学习场景，一般采用的是客户端/服务器架构，企业作为服务器，起着协调全局模型的作用；
而针对联合多家面临数据孤岛困境的企业进行模型训练的场景，一般可以采用对等架构，因为难以从多家企业中选出进行协调的服务器方。
中心化联邦（FedAvg）
在正式开始训练之前，①中央服务器先将初始模型分发给各参与方，然后各参与方根据本地数据集分别对所得模型进行训练。接着，②各参与方将本地训练得到的模型参数加密上传至中央服务器。③中央服务器对所有模型梯度进行聚合，④再将聚合后的全局模型参数加密传回至各参与方。
论文地址：https://proceedings.mlr.press/v54/mcmahan17a/mcmahan17a.pdf
源码地址：https://github.com/shaoxiongji/federated-learning
问题：
1、系统异构System Heterogeneity：各client的计算能力、存储能力、通信能力各不相同，等待落后的局部模型会拖慢整个系统的训练速度，但抛弃这些落后的client会影响全局模型的精度；
2、统计异构Statistical Heterogeneity：不同client间的数据是Non-IID的，此外还有数据unbalanced的情况。
去中心化联邦（FedProx）
①当参与方对原始模型训练后，②需要将本地模型参数加密传输给其余参与联合训练的数据持有方。因此，假设本次联合训练有n个参与方，则每个参与方至少需要传输2（n-1）次加密模型参数。
论文地址：《Federated Optimization in Heterogeneous Networks》
源码地址：官方实现（tensorflow）https://github.com/litian96/FedProx
几个pytorch实现：https://github.com/ki-ljl/FedProx-PyTorch ，https://github.com/rruisong/pytorch_federated_learning
总：针对FedAvg的不足，提出了FedProx算法，该算法能很好地处理异构性，且具有理论保障。在实验中，FedProx能比FedAvg更健壮地收敛，且在高异构地环境下，FedProx比FedAvg有更稳定和准确地收敛，平均提高22%的绝对测试精度。
参考：
详解FedProx：FedAvg的改进版 Federated optimization in heterogeneous networks_fedprox引用-CSDN博客
