本文提出了一种新型隐私保护联邦学习方法，旨在解决异构和长尾数据的隐私问题。该方法通过分类器重新训练，在不泄露本地数据的情况下，实现与真实数据相当的性能。研究表明，针对数据不均衡和拜占庭攻击，提出的两层聚合方法有效提升了模型选择和全局聚合的效果。