精度提升显著
将聚类过程与主联邦学习解耦，在保持部署灵活性的同时解决数据与系统异构性对精度的制约。
Cheng, Yujun · 张维庭 · Zhang, Zhewei · 康嘉文 · Qi, Xu · 王生进 · Niyato, Dusit (Tao)
IEEE Transactions on Mobile Computing 2025
通过预聚类减轻数据异构性，与五种先进方法相比，模型精度提升0.7%到36.4%。
达到同样精度所需的收敛时间至少仅为对比方法的0.08倍，训练效率大幅提升。
将联邦学习过程分离为预聚类和主训练两个独立阶段，部署时可灵活替换聚类算法或训练策略。