车辆离开后不必整体重训：单轮联邦模型可精确编辑，移动模拟中累计时间省36%–44%
核心概要
单轮联邦学习把训练压到一次通信，但模型训练完就固化，车辆加入或退出后只能整体重训。F-SOSA 按固定规模随机抽取客户端子集，使相邻设备集合下的输出分布在总变差距离上有界，再把曲率感知融合改写成按客户端可加的充分统计量投影，并据此给出撤回贡献的 F-SOSA-U 与纳入新贡献的 F-SOSA-I。在 SUMO 城市移动模拟中，两者精度与重训相当，累计时间与通信开销分别降低 36%–44% 和 22%–33%。
深度剖析
单轮联邦学习训练完成后，模型不再随参与设备集合变化而调整；设备加入或退出时，要么整体重训，要么接受与重训不一致的近似更新。 此前单轮联邦方法只优化一次融合操作，无法在训练后处理客户端贡献的新增与撤回；近似编辑（微调、模型校准）的偏差还会沿后续编辑累积。 在 MNIST、SVHN、CIFAR-10、FEMNIST 上与 FedFisher、FedLPA、Dense 三个单轮联邦基线比较，F-SOSA 在所有数据集和异质度下通信开销最低；在模拟城市移动的 SUMO 场景中，F-SOSA-I/U 的精度与重训相当，累计时间与通信开销分别降低 36%–44% 和 22%–33%。
编辑之所以能省，是因为大多数请求根本不需要改动被抽中的客户端子集，模型和中间状态可以直接复用。 F-SOSA 先对客户端做固定规模的均匀随机子采样，使相邻设备集合下的输出分布在总变差距离上有界，稳定性水平由采样率决定。 F-SOSA-U 在收到撤回请求时先检查该客户端是否在子集内，不在则无需编辑；F-SOSA-I 以新客户端的入选概率做一次伯努利判定，未命中则保留原子集。每次触发的编辑只替换一个客户端贡献并做一次投影求解，协调端成本与历史参与客户端总数无关。
融合步骤被改写成对一组按客户端可加的充分统计量做投影，因此单个客户端的增删只需加减对应项。 曲率感知融合原本是迭代优化，单个客户端变化后一般要重跑整个融合过程，旧轨迹无法复用。 把融合写成仿射约束下的正交投影后，模型由求解一个以聚合曲率统计量为系数的线性系统得到；该线性系统即使聚合 Fisher 矩阵稀疏、奇异或低秩也始终有解，且不同对偶解给出同一个投影模型。曲率表示可选对角或 K-FAC，在曲率保真度与通信、协调端计算之间取舍。
启示与展望
演示范围是单轮联邦下的分类任务（MNIST、SVHN、CIFAR-10、FEMNIST）与 BDD100K 上的 YOLOv8s 检测，编辑序列来自 SUMO 卢森堡场景早高峰的车辆到达与离开；理论分析假设编辑序列中活跃设备数保持在初始规模的常数倍内，实验中改用固定比例实现以容纳更大的人口变化。
精确性以编辑与重训在模型和全部中间状态上统计不可区分来定义，依赖共享初始化与固定的每客户端训练随机性；稳定性与效用之间存在取舍，采样率增大会提升精度但削弱稳定性并提高期望编辑成本。实验中的固定比例实现是为容纳超出理论有界范围的人口变化，与理论设定并不完全一致。