本研究提出了一种名为HFedCKD的异构联邦学习方法，基于无数据知识蒸馏和双向对比，旨在解决现有框架的静态建模问题。HFedCKD提高了客户端贡献评估的公平性，有效缓解了低参与率带来的知识偏差，增强了模型的性能和稳定性，并在图像和物联网数据集上验证了其适用性和鲁棒性。