当联合学习遇到噪声标签时，重审早期学习正则化

FLR是一种创新策略，通过生成新的伪标签并将本地和全局模型的预测相结合，有效地应对联邦学习中的标签噪声问题，提高全局模型的准确性，并防止记忆嘈杂的标签，从而改善在标签准确性有误的FL环境中的泛化能力。