待验证50% 置信权衡取舍精确时间

梯度修正方法MGDA及其变体将多客户端目标建模为多目标优化寻找帕累托最优解，但其共同下降方向并不等同于全局聚合方向，全局精度损耗难以避免

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

FedPCD：用优先约束破解联邦学习的公平性困局

涉及实体

相关事实

待验证算法选型必须匹配问题性质：梯度下降适合平滑可导连续优化，无梯度方法适合离散、阶梯状或噪声严重的目标函数76% 相似待验证多目标优化理论指出，将复杂目标分解为多个子目标并分别优化，通常比直接优化单一混合目标更有效74% 相似待验证传统梯度下降方法（如SGD、Adam）要求目标函数可微且连续，在面对离散、非凸、多模态问题时容易陷入局部最优74% 相似待验证目标传播为每一层指定局部的目标激活值，让各层分别最小化自身输出与目标之间的差距，避免全局梯度链式求导73% 相似待验证当模型包含大量尺度型参数（如协方差、速率）尤其在高维场景下，建议考虑更贴近费舍尔–饶测地线的优化策略71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001327

API

curl https://kongchang.com/api/v1/knowledge/claims/1001327

MCP

get_claim(id=1001327)