An Aggregation-Free Federated Learning for Tackling Data Heterogeneity

Federated Learning（FL）的性能取决于利用分布式数据集的效果。传统的FL方法采用聚合然后适应的框架，其中客户端基于服务器从上一轮训练中聚合的全局模型更新本地模型。这个过程可能会导致客户端漂移，特别是在存在显著的跨客户端数据异质性的情况下，影响FL算法的模型性能和收敛。为了解决这些挑战，我们介绍了FedAF，一种新颖的无聚合FL算法。在这个框架中，客户端通过利用对等知识共同学习压缩数据，随后服务器使用从客户端接收到的压缩数据和软标签训练全局模型。FedAF固有地避免了客户端漂移问题，在明显的数据异质性中提高了压缩数据的质量，并提高了全局模型的性能。在几个流行的基准数据集上进行的大量数值研究表明，FedAF在处理标签偏斜和特征偏斜数据异质性方面超过了各种最先进的FL算法，导致更高的全局模型准确性和更快的收敛。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出了一个新的聚合算法FedAF，通过协作学习压缩数据并使用软标签来训练全局模型，避免了传统FL方法中可能出现的客户漂移问题，提高了全局模型的性能和收敛速度。论文在多个基准数据集上进行了实验，并展示了FedAF在处理标签偏斜和特征偏斜数据异质性方面的优越性能。

相关研究：最近在这个领域中，还有哪些相关的研究被进行？能否列举一些相关研究的论文标题？