联邦连续新类别学习

提出了全局对齐学习（GAL）框架，准确估计全球新类别数量，为局部训练提供全局视角的有效引导，同时保护隐私。GAL 在新类别发现方法方面表现优异，在单个和两个新类别学习阶段，精确度提高了5.1%至17.9%。GAL 能够有效装备不同主流FL算法具备新类别发现和学习能力，具有潜力。