本研究探讨了长尾数据分布问题，分析了监督对比学习、稀有类样本生成器和标签分布感知边际损失等技术的协同作用，发现这些技术的结合能够提高尾类准确率，同时保持主导类性能，实现各类的均衡改进。

本研究提出了FedPALS模型，解决了联邦学习在标签分布不一致时的性能下降问题。实验结果表明，FedPALS在客户稀疏情况下优于传统方法，强调了目标意识聚合的重要性。

本研究提出了一种新框架I²LDL，解决不完整标签分布学习中标签不平衡的问题。通过低秩分解和稀疏成分，有效捕捉标签结构，实验验证了其效果和鲁棒性。