本研究提出了类别信息量的概念，解决了长尾分布数据集中模型表现不佳的问题。通过引入信息量引导角度边际（IGAM）损失，动态调整决策空间，显著减小类别偏差，并在多个数据集上取得了良好效果。

本研究提出了一种新方法FedLF，旨在解决传统联邦学习在处理长尾数据时的类别偏差问题。通过自适应Logit调整和特征优化，FedLF有效提升了模型在尾类别上的性能，减轻了数据异构性带来的影响。