研究背景：
针对的背景问题设定：
- 数据异质性：不同终端数据采样自不同分布
- 训练参与率：每一轮训练的终端参与率较低
泛化性解释：
机器学习不仅关注学习算法在训练样本上的性能，更关注其在未知样本上的预测能力
泛化性度量：
指标：期望风险
在全概率空间上误差的一个平均值 ，模型在所有样本点上的平均损失是多少
理想情况：选取期望误差最小的模型
主要目标：
探究面向“数据异质性（终端非独立同分布）”和“终端可能掉线”的联邦学习泛化分析
问题建模：
元分布：想用多个终端训练一个人脸识别系统，每个客户端（手机）上面的分布是不一样的，但是拍的都是脸，人脸本质上属于更高层次上的一种分布，这个可以理解为分布的分布
M可以是无穷的，每个m不一样，但是分布的分布是一样的
每个终端来自一个元分布
联邦学习泛化分析：
实际情况下，会存在噪音，损失可能是无界的
进一步工作：
