本研究提出了一种名为UA-PDFL的个性化去中心化联邦学习方法，旨在解决客户端数据非独立同分布导致的训练效率下降问题。该框架通过单位表示的指导，适应性调整个性化层，有效应对数据偏斜，实验结果显示其显著提升了去中心化联邦学习的性能。

该文章介绍了在Shopee电商平台上使用GNN提高商品检索效率和准确性的技术，包括图构建、建模和处理数据偏斜等。这些技术提高了离线评估和在线A/B测试的效果，并成功将模型部署到Shopee推荐广告系统的主要流量中。