本研究提出了一种选择性自蒸馏方法（FedSSD），旨在解决联邦学习中因数据异质性导致的局部模型优化问题。该方法通过加权全局模型知识，显著提升了模型的泛化能力和鲁棒性，并减少了通信轮次。