這篇文章與那些優化證明收斂的文章不同點在於，它是從泛化性來進行算法收斂說明的，我覺得它更像是一個框架而不是怎么具體進行優化的方法。
preliminary
文章在開頭就對比了傳統的global model和純粹在自己數據集上訓練得到的local model的差異，從而引出了personalization是介於兩者之間的一個東西，personalization希望得到global model的泛化性以及local model在本地數據集上的良好表現。
global model實際上是對\(\sum\limits_k \lambda_k \hat{\mathcal{D}}_k\)進行優化的，其度量了當函數\(h\)在全局和本地數據情況下，對本地數據損失的差異，
可以看到全局數據數量越大，損失差異就越小，本地數據和全局數據分布差異越大，損失差異就越大。也就是說，像傳統聯邦學習那樣，用全局數據訓練得到的模型可能對數據分布與\(\sum\limits_k \lambda_k \hat{\mathcal{D}}_k\)差異較大的客戶的效果不好。
本文提出了三種personalization的方法，分別是user clustering，data interpolation，model interpolation。
user clustering
就跟我們傳統的聚類算法假設一樣，我們認為所有用戶是可以被分為幾個類別的，通過對各個類別分別建模從而提高模型表現。
作者提出的算法流程也非常的朴素，現在假設有\(q\)個模型，客戶在那個模型上的損失最小那他就屬於這個類別，然后對所屬這一類的用戶進行梯度下降。
