FedCCRL：基于跨客户端表示学习的联邦领域泛化
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了在联邦学习环境下，现有领域泛化算法因隐私限制和客户端数据量不足而不适用的问题。我们提出的FedCCRL方法，通过将MixStyle适应于联邦设置，显著提升了模型对未见领域的泛化能力，同时确保隐私安全和较低的计算通信成本。实验结果显示，FedCCRL在多个数据集上实现了最先进的性能。
本文介绍了StableFDG算法，通过样式学习和注意力机制提升联邦学习的领域泛化能力。每个客户端共享新样式，增强领域多样性，并通过特征强调器突出重要特征，改善数据不足时的领域不变特征学习。实验表明，StableFDG在多个数据集上优于现有算法。
