论文笔记(3)—"Federated Composite Optimization"

这篇讲的是如果FL的model需要一些regularity，例如sparsity等性质，如何去优化这样一个model。

再FL的local和server update上引入了两个方法，一个是Mirror Descent，另一个是Dual Averaging。

他们的实验优化的都是一些convex的函数，跟之前写的multi-task FL一样，可能在在neural network上Dual Avergaing比较难以实施。

对于Mirror Descent的方法，这种proximal想法在Federated Optimization in Heterogeneous Networks也出现过，不过之前的那篇在解决一个Heterogeneity的问题，而这个proximal是model本身的需要。

至于具体证明，等2月份有空的时候会统一整理一遍。

具体证明看不懂，等有时间看完dual averaging之后再看吧