中央服务器优化算法（Central Server Optimization Algorithm）是指在联邦学习中，服务器接收到来自参与方的局部模型相关参数之后，将所有参数聚合成全局模型相关参数时采用的算法。

联邦学习不同于一般机器学习算法的一个很重要的区别就是：联邦学习算法框架中，优化算法在中央服务器端工作，联邦机器学习算法在各参与方工作。

目前，中央服务器优化算法主要包括联邦随机梯度下降（Federated Stochastic Gradient Descent，FedSGD）算法、联邦平均（Federated Averaging，FedAvg）算法、差分隐私联邦随机梯度下降（Differential Privacy Federated Stochastic Gradient Descent，DP-FedSGD）算法、差分隐私联邦平均（Differential Privacy Federated Averaging，DP-FedAvg）算法等，下面对各个中央服务器优化算法进行详细介绍。 jMMSiSPX9zxIjFCJJUT6FDMm9d3dvtyB4PueC3MwWzEIfvZac0JYhkj432eHd8Od