该论文介绍了一种名为REPA的方法，用于在非独立同分布的联邦学习环境中进行客户端聚类。该方法使用基于自动编码器的监督方法来创建客户端的嵌入，无需训练或标记数据收集。实验结果表明，REPA在提供最先进的模型性能的同时扩展了基于聚类的联邦学习的适用范围。

本文介绍了FedTSDP算法，一种两阶段解耦式联邦学习算法。该算法通过推理输出和模型权重两次进行客户端聚类，并采用修正的Hopkins采样来确定聚类的适时，并使用公共未标记数据的采样权重。实验结果表明，该方法在IID和非IID场景下具有可靠的性能。