联邦学习论文阅读：Asynchronous Federated Optimization

这是UIUC的一篇刚刚挂在arXiv上的文章：Asynchronous Federated Optimization。

我对边缘计算和异步算法不太了解，直观的理解是作为一个user，我上传的梯度参数是延迟的，也就是说central server当前已经更新过这次的梯度了，并且已经开始计算下一次甚至下下次的global gradient了，那么我这次的参数实际上是混在其他用户下一次更新的数据中的。

需要考虑的问题可能有：
1）有延迟后是否还能最终收敛？ 2）有延迟是否会让收敛变慢？

作者主要也是考虑这两个问题，提出了一个超参 ${\alpha}$α，用于控制延迟的更新参数的权重。

摘要
之前联邦学习都是同步更新模型，对于横向联邦学习框架，手机端由于内存小，通信问题很容易造成上传延迟或是丢包等等问题，因此作者提出了一种异步更新的联邦学习算法，并证明了其收敛性。

算法

实验