FedAvg（联邦平均）

FedAvg由McMahan等人于2017年提出，是联邦学习的基石算法。每轮中，服务器选择部分客户端，客户端在本地数据上训练模型并上传参数，服务器按数据量加权平均得到全局模型。FedAvg能保护数据隐私并减少通信，但面临非独立同分布数据和系统异构等挑战，后续衍生出FedProx、FedAdam等改进算法。