异构数据贡献快速评估
该框架通过快速准确评估异构客户端数据贡献并考虑客户端间依赖关系，在非独立同分布场景下显著提升联邦学习效率与精度。
Shijie, Na · Liang, Yuzhi · Yiu, Siu Ming
IEEE Internet of Things Journal 2025
提出的指标能快速准确衡量异构客户端数据对联邦学习的贡献，从而在训练前高效筛选客户端。
通过探索-利用机制选择最优客户端组合，不再将每个客户端视为独立贡献者，从而提升整体训练效果。
在FEMNIST和CIFAR-10的非独立同分布场景下，相比SOTA预选方法平均提升超过9%的准确率。