Calibre：朝着公平与准确的个性化联邦学习与自监督学习

本研究解决了个性化联邦学习中现有方法无法有效处理异构数据所导致的低准确性问题。提出了Calibre框架，通过引入客户端特定原型损失和聚合算法，实现自监督学习表示的校准，平衡通用性与客户端特异性。其实验结果显示，Calibre在非独立同分布设置下在准确性与公平性上均达到了最先进的表现。