具有随机重洗和偏置压缩的非凸联邦复合优化

本文聚焦于非凸联邦复合优化（FCO）问题，其中损失函数是非凸的，并包含不光滑的正则项。为了解决这个问题，我们提出了FedRREF，这是一种新颖的联邦学习算法，它将错误反馈（EF）与高效的随机重洗（RR）技术相结合，从而降低计算和通信成本。据我们所知，FedRREF 是第一种在联邦学习中同时考虑 RR 和偏置压缩的算法，特别是在不光滑和非凸的环境下，并且它的收敛速率为 O (1/T)，其中 T 是通信轮次的数量。最后，数值实验验证了所提出算法的有效性。