加速联邦学习收敛：基于FedOVA的One-vs-All训练方案

我们的出发点是利用梯度和曲率信息来寻找'更好'的下降方向，从而显著加快收敛速度。为了解决非独立同分布问题，我们提出了一种简单而优雅的训练方案，即FedOVA（联邦One-vs-All），它可以有效地处理FEEL中的非独立同分布数据，通过将多分类任务分解为多个二分类任务。具体而言，我们的见解是通过引入One-vs-All [17]训练方案，将联邦多类分类任务在非独立同分布数据上分解为多个客户端的二分类任务。特别是，本文的主要贡献总结如下。