FedClust是一种新型的聚类联邦学习方法，通过测量局部模型权重的相似性解决了非独立同分布数据下的性能下降问题。该方法提高了约45％的模型精度，并显著降低了通信成本。

本文提出了一种自适应的聚类联邦学习框架FedAC，通过解耦神经网络并为每个子模块使用不同的聚合方法，将全局知识融合到簇内学习中。实验结果表明，FedAC在不同的非独立同分布设置下，CIFAR-10和CIFAR-100数据集的测试准确率分别提高了约1.82%和12.67%。