域异构下精度领先
在本地与全局两个层面引入聚类表示，同时应对联邦学习中的域内与域间非独立同分布挑战，实现跨客户端知识共享。
Yu, Qiao · Huy Q., Le · Mengchun, Zhang · Adhikary, Apurba · Zhang, Chaoning · Choong Seon, Hong
Information Fusion 2025
从本地和全局两个视角引入聚类表示，同时应对域内和域间非独立同分布问题，而不是像现有方法只关注其中一种。
在本地聚类中拉近具有相似语义的簇，推远不相似语义的簇，促进客户端间共享具有一致语义的知识。
在全局侧对同类局部簇进行聚类和平均，生成一致的全局信号，引导各客户端以对比方式进行本地训练。
在多个数据集上的实验表明，在域内和域间异质性下，本方法取得与现有方法相当或更优的性能提升。