该单元面向分布式数据环境，通过Huber损失与稀疏融合惩罚协同建模，在实现个性化估计的同时保持全局稀疏结构，区别于传统联邦方法对异质数据的强假设。
刘卫东 · 毛晓军 · 张肖飞 · Zhang, Xin
Journal of the American Statistical Association 2024
通过个性化设置，模型可根据每个客户端的数据分布调整权重，从而提升本地预测性能。
采用Huber损失代替常用的平方损失，降低了对异常值的敏感度，使回归结果更稳定。
稀疏融合惩罚促使所有客户端在共同特征上保持一致稀疏结构，有助于特征选择和解释。