打破数据孤岛：联邦学习近期重要研究进展(14)
图12/49
L_D(h) 表示假设 h 相对于 X×Y 上分布 D 的期望损失。
考虑这样一个机器学习场景，学习者接收到 p 个样本 S1,...,Sp，其中样本 Sk 为从专门域或分布 Dk 提取的 IID 数据，(D_k)^表示样本 Sk 相关的经验分布。经典联邦学习的训练是在所有样本 Sk 的联合均匀分布情况下进行的，即
而本文提出的不可知联邦学习 AFL 框架，其目标分布表征为分布 Dk 的未知混合，其中各个混合项的权重为 lambda。因此，AFL 中的不可知损失函数为：
实际上，学习者只能通过有限的样本 Sk 来获取分布 Dk。因此，对于任何 lambda，上式中只能计算经验分布的 lambda-混合如下：
图13/49
图 1: 未知混合分布 D_lambda.
由此，AFL 中的不可知经验损失函数定义为：
推荐阅读
- 捉迷藏|?LOL世界赛“含金量”数据出炉：EDG仅排第六，IG稳居榜首
- ag战队|AG超玩会的轮换就是花架子，一诺英雄达到十八位，打破单赛季纪录
- 碧蓝航线|碧蓝航线SR重巡福煦数据详解 期待越高失望越大 强度平平无奇
- kramer|国服极地大乱斗数据上线，来看看胜率榜符合你的预期吗？
- 孤岛惊魂6|英雄联盟世界赛参赛队分析！EDG战队！
- 米莱狄|峡谷数据榜：分均输出TOP5，干将莫邪只排第四，米莱狄至今被误解
- 育碧|“不患均而患不寡”，育碧给刺客信条和孤岛惊魂团队涨薪
- ai|S11AI预测离全对就差最后一场！EDG能否打破不败之身？
- |S11淘汰赛数据盘点：场均时长为33分 55个不同英雄登场
- 中单|2021年英雄联盟世界赛终于落下帷幕！！大数据统计二！！