无数据的联邦域泛化与服务器端梯度匹配

本研究解决了联邦域泛化中的知识共享问题，提出了新的方法——联邦学习通过服务器端匹配梯度（FedOMG）。该方法能够高效利用分布在不同客户端的域信息，通过最大化梯度内积来找到一个领域不变的梯度方向。实验结果表明，FedOMG在多个基准数据集上优于现有的最先进方法，显示出其有效性和广泛的应用潜力。