联邦学习小白

《Personalized Federated Learning: A Meta-Learning Approach》这篇文章利用元学习来实现联邦个性化学习，将用户看作元学习中的多个任务。和元学习一样，其目标是找到一个初始化模型，当前用户或新用户只需对他们的本地数据执行一步或几步梯度下降，便可将模型适应他们的本地数据集。这样当有一个新用户进来时，就可以通过一步或几步梯度下降快速获得一个高效的个性化模型。文章主要内容有三点：1、将元学习和FL进行结合，具体以FedAvg为框架，以MAML为内容，提出Per

最近想康康联邦元学习，涉及MAML，直接看论文有点懵，所以先补一下元学习和MAML的内容。《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》提出一种 meta-learning 算法，即MAML，使模型能自动进行参数的初始化，省去许多计算步骤。该算法是模型无关的，适用于任何利用梯度下降的方法来训练的模型，并且适用于多种任务，如分类，回归，强化学习。meta-learning 的目标是通过多个任务训练一个元模型，该模型可以