这篇把DML运用到FL上

论文地址：arvix
code: 作者git

贡献

我们针对三种异质性（DOM）提出了一种新颖的联邦学习范式，称为联邦相互学习（FML）。 首先，FML 处理数据和目标通过使每个客户能够训练个性化模型来实现异质性。 从OH的意义上来说，DH对服务器有害，但对客户端有利，这意味着数据的非独立同分布性不再是一个bug，而是一个可以更好地为客户端服务的特性； 其次，本地个性化模型可以从具有相似但不同任务的 FML 协作训练中受益。 第三，FML允许客户针对各种场景和任务设计自己的定制模型。

PS：D是Data Heterogeneity， O是Objective Heterogeneity， M是Model Heterogeneity

简单来说，贡献就是针对数据异构、模型异构 提出一种个性化联邦学习方案（应该是早期个性化联邦概念提出者）

算法流程

和FL不同之处在于，本地有两个模型，一个Meme Model，通讯时发送到Server端聚合成Global Model，也从Server端下载Global Model更新替换。一个是Personalized