一种 **高效** **异步** 的联邦学习机制EAFLM(Efficient Asynchronous Fedrated Learning Mechanism)其中：**高效**的实现目标主要是实现通信压缩，文章在前人Chen等人提出的LAG自适应压缩的工作基础上，提出了一种**阈值自适应的压缩算法**。文章中的通信压缩属于“通信稀疏化”的范畴。**异步**方面的工作是实现了各个边缘设备真正的异

**本文的工作：**1）提出了一种联合估计方法，在不侵犯任何一方数据隐私的情况下，准确估计模型的公平性。2）证明了联合估计方法比局部估计模型对单个参与者的公平性更准确，这导致在跨竖井联合学习中具有更好的公平模型训练性能。3）构建了新的FedFair问题;开发了一个有效的联合学习框架来解决这个问题，而不侵犯任何一方的数据隐私。4）充分的的实验

首先定义用户效用：Rk=ak·pk（实际用户效用=模型准确率·聚合权重）（模型准确率指，本轮中心参数服务器下发给参与者的全局模型，经参与者自己计算后获取的的准确率）（聚合权重指，本轮中，各个节点将自己的梯度或模型参数发给中心参数服务器后，参数服务器根据【①上传的参数或梯度②上传的准确率】为各个参与者设计的聚合权重）对于每个用户来讲，即希望准确率a高也希望聚合权重p高，用乘积作为效用进一步定义系统

一种 **高效** **异步** 的联邦学习机制EAFLM(Efficient Asynchronous Fedrated Learning Mechanism)其中：**高效**的实现目标主要是实现通信压缩，文章在前人Chen等人提出的LAG自适应压缩的工作基础上，提出了一种**阈值自适应的压缩算法**。文章中的通信压缩属于“通信稀疏化”的范畴。**异步**方面的工作是实现了各个边缘设备真正的异