非凸收敛分析

FedAdamom：以自适应动量提升联邦优化泛化性

FedAdamom: Adaptive Momentum for Improved Generalization in Federated Optimization

对视觉研究者而言，这篇论文提供了一个可复用的优化器替换思路：在数据高度异构（如多源摄像头、跨域图像）的联邦训练中，把 FedAdam 的自适应学习率换成自适应动量超参数，可在不牺牲收敛速度的前提下提升泛化与平坦极小值偏好，可直接用于联邦视觉模型的训练脚本。