基于扩散的去中心化联邦多任务表示学习

本文探讨了去中心化表示学习，特别是在联邦学习环境下的一个未充分探索的领域。它提出了一种用于多任务线性回归的新算法，并提供了关于样本和迭代复杂度的理论保证。对通信效率的关注以及与基准算法的比较表明了对该领域的实际贡献。

• •提出了一种用于多任务表示学习的去中心化和联邦算法。
• •侧重于具有共享低维表示的多任务线性回归。
• •提供关于样本和迭代复杂度的理论保证。
• •强调通信效率。
• •通过数值模拟和与基准的比较来验证性能。