本研究提出了一种新方法，通过动态数据队列和数据熵驱动的参与者选择，解决联邦学习中设备数据不独立分布带来的统计复杂性问题，从而提高模型的收敛性和准确性。

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%。