本研究提出了FedRAV框架，旨在解决自动驾驶车辆中因数据非独立同分布导致的联邦学习收敛失败和准确率低的问题。通过自适应分区，该框架显著提高了训练准确性，提升至少3.69%。

本文提出了一种新型聚类联邦学习方法StoCFL，旨在解决联合学习中的数据非独立同分布和模型收敛性问题。该方法通过灵活的客户端参与和新客户端加入，提升了模型性能和聚类效果。研究表明，使用5%的全局数据子集可将CIFAR-10数据集的准确性提高30%。