---

本笔记参考自b站up主：丸一口

论文参考自Adaptive Federated Learning in Resource Constrained Edge Computing Systems

原视频链接

一、符号

原文的符号解释如下图绿色字体所注

二、应用场景

就是在资源小于资源预算的情况下，同时又要满足资源受限的条件下，找一个损失函数最小的最终模型w^f。

三、与FedAvg算法区别

在第k个客户端上做更新：做E轮循环，把数据集Pk用B的大小进行切分，切分成batches个，对于每一个batches里面的数据做梯度下降，然后整个数据集做完E轮训练得到新模型返回给中心方。

服务器端：初始化一个模型，做T轮循环，直到准确率达到要求，然后在众多客户端中随机选C*K个做梯度下降（C表示比例，K表示客户端总量），然后服务器在做梯度下降的同时，客户端也在并行的做迭代。做完上述操作后，做一个加权平均得到新模型。

FedAvg算法详解见笔者上一篇文章：文章链接

本篇文章探讨的算法如下：

ps：Lipschitz就是利普西斯连续，可以理解成它是一个连续的函数图像。

比如这里的p就可以理解成Fi（W）函数的一个斜率，p是可以通过公式算出来的。

可以理解为f(x)这个函数是smooth的，那么它的梯度就是利普西斯的，就相当于是β是导数斜率

客户端算法流程：

中心方算法流程：