本研究提出了一种新颖的类感知梯度屏蔽聚合策略，旨在提升非独立同分布数据环境下联邦学习的聚合性能。该方法通过动态加权客户端贡献，增强隐私保护，提高了对不平衡数据和攻击的鲁棒性。实验结果表明，该策略优于传统的FedAvg方法。

本文提出了一种基于对抗学习和mean-teacher框架的类感知跨域检测变换器，旨在解决跨域适应中的标签不足和类不平衡问题。通过引入IoU感知预测分支和实例级类感知对比学习模块，实验证明该方法在性能和类别不平衡方面优于现有技术。