去中心化联邦学习是一种保护用户隐私的分散式机器学习方法。与集中式联邦学习相比，去中心化联邦学习更加注重保护用户数据隐私，同时也更具有扩展性和健壮性。

在去中心化联邦学习中，每个设备都使用本地数据进行模型训练，并将模型更新发送给周围的邻居设备。这些邻居设备可以接受更新并根据其自身的本地数据进行模型训练。该过程反复执行多次，直到所有设备的模型达到收敛状态。

相较于其他的联邦学习方式，去中心化联邦学习不需要集中式服务器来协调设备之间的通信，因此极大地减少了通信开销和单点故障风险。

算法公式
假设有$n$个设备$D_1,D_2,...,D_n$共同参与联邦学习任务。我们的目标是学习一个全局模型$\theta$，使得每个设备$i$都能够使用本地数据进行模型推理。

在去中心化联邦学习中，首先每个设备都初始化一个本地模型${\theta }_i$。每一轮迭代由以下步骤组成：

选择一个随机子集$S_t\subseteq 1,2,...,n$作为通信的设备组。
每个设备$i\in S_t$使用本地数据计算梯度${\nabla }_{{\theta }_i}J({\theta }_i)$，其中$J({\theta }_i)$是本地模型${\theta }_i$的损失函数。
对于每个设备$i\in S_t$，将梯度${\nabla }_{{\theta }_i}J({\theta }_i)$发送给所有邻居设备$j\in N_i$，其中$N_i$表示设备$i$的邻居设备集合。
对于每个设备$i$，更新本地模型${\theta }_i$，得到新模型${\theta }_i^{t+1}={\theta }_i^t-\eta \cdot \frac{1}{|S_t|}{\sum }_{j\in S_t}{\nabla }_{{\theta }_j}J({\theta }_j)$，其中$\eta$是学习率。
直到所有设备的模型${\theta }_1^{t+1},{\theta }_2^{t+1},...,{\theta }_n^{t+1}$均更新完毕，进入下一轮迭代。
在去中心化联邦学习中，每个设备只与其邻居设备通信，因此通信开销较小。此外，通过在每轮迭代中随机选择设备组进行通信，可以增加学习过程的随机性和稳定性。但是，由于每个设备的模型更新仅基于其邻居设备的信息，因此可能存在模型发散或不能收敛的问题。

去中心化联邦学习算法的主要优点是对用户隐私具有更好的保护，而且通常比集中式的联邦学习更具有可扩展性和健壮性。

这里提供一些关于去中心化联邦学习的参考资料：

《Communication-Efficient Learning of Deep Networks from Decentralized Data》

《Federated Learning: Strategies for Improving Communication Efficiency》

《Towards Federated Learning at Scale: System Design》

《Decentralized Federated Learning: A Segmented Gossip Approach》

《A Comprehensive Survey on Federated Learning》

《Federated Learning with Non-IID Data》

以上论文均对去中心化联邦学习进行了较为详细的研究和介绍，可以作为进一步了解该领域的参考。