FedAvg（联邦平均算法）是联邦学习中最基础和广泛应用的算法之一，它允许多参与方在不共享原始数据的情况下协作训练模型。2026年5月，NVIDIA FLARE发布了在非IID CIFAR-10数据集上构建和比较FedAvg与FedProx联邦学习的分步指南，进一步推动了这一技术的应用。
FedAvg 近期进展
当前焦点与观察点
FedAvg算法的研究正朝着更加专业化、场景化的方向发展。从智能汽车到医疗诊断，再到能源系统，FedAvg正在各个领域展现出强大的适应性。特别是在处理非独立同分布数据方面，研究人员不断提出改进方案，如FedProx、FedQoS等变体，以解决原始FedAvg的收敛问题。
隐私保护仍然是FedAvg研究的核心议题。最新研究表明，结合差分隐私和异步聚合技术可以在不显著牺牲模型性能的前提下，有效提升FedAvg的隐私保护能力。这为FedAvg在更多敏感数据场景中的应用铺平了道路。
值得注意的是，FedAvg的效率和可扩展性仍然是研究热点。随着参与方数量的增加，FedAvg的通信开销和模型异构性问题变得更加突出。未来的研究可能会更加关注如何在保持模型性能的同时，降低FedAvg的计算和通信成本。