长尾分布下精度提升
针对联邦学习中客户端数据长尾分布导致的模型漂移问题，该方法从局部训练和全局聚合两个层面同时优化，通过类别重加权与混合重采样提升尾部类别的学习能力，并利用客户端聚类和特征分布相似性动态调整聚合权重，从而在图像和文本分类任务中均优于现有基线方法。
Yang, Li · Ji, Zhang · Lin, Zhang · 李侃
Expert Systems with Applications 2025
根据客户端聚类和特征分布相似性动态调整聚合权重，避免静态权重忽视客户端贡献变化导致的全局模型漂移。
通过类别重加权提高尾部类别的损失权重，在不改变数据分布的情况下提升模型对尾部类别的重视程度。
混合重采样策略缓解多数类和少数类之间模型学习能力的差异，使模型对不同类别学习更均衡。