目的：减少通信量(成本)，例如VGGNet架构具有大约1.38亿个参数（4264 Mb）
方法：具有自动编码器压缩（Autoencoder Compression）且具有收敛保证（Convergence Guarantee）；利用冗余信息（the redundant information）和FL的迭代纠错能力（iterative error-correcting capability of FL）来压缩client的模型，从而减少用户上传模型的通信成本。（适应资源受限、通信资源受限的用户设备：带宽小......）
1. 在训练阶段，训练自动编码器以在服务器端对用户的模型进行编码（encode）和解码（decode）。
2. 在压缩阶段，将自动编码器发送给用户，用户通过自动编码器中的编码器压缩本地模型。服务器在利用解码器来解码用户压缩过的局部模型。以额外的计算成本为代价。
3. 为了保证FL的收敛，FLAC通过在训练状态和压缩状态之间切换来动态地控制自动编码器误差，以及，基于FL系统的误差容忍（error tolerance）（由学习率来确定）来调整其压缩率。
问题：在资源受限的网络上进行FL，通信问题是FL的根本瓶颈，从而限制了ML模型的复杂度和用户的参与。
直观：降低通信成本：显著方法：梯度压缩（gradient compression），目前有：①.稀疏化（sparsification）②.量化（quantization）是预先固定的方法，没有考虑模型参数、 client数据....以及训练过程中冗余信息（迭代次数.....）
一. 引言
·FL的纠错特性来自于用户使用的SGD算法是一个固有的噪声过程，SGD可以在每次迭代中补偿一些误差。
·FL的冗余信息特性是由于用户间数据的相关性，这也导致了FL的模型参数和迭代之间的相关性。
- Autoencoder Compression Convergence Federated Guaranteeautoencoder compression convergence federated guarantee convergence convergence operations dynamics platform retention guarantee场景 作用 autoencoder federated compression lstm-autoencoder semi-supervised autoencoder lncrna-disease associations autoencoder classifier