该文综述联邦学习应对数据异构性的多种方法，包括FedProx、FedClassAvg、Per-FedAvg、FedProc、FedIIC、FedAlign、FedProto等框架，分别通过原型对比、分类器聚合、局部学习等策略提升非独立同分布数据下的模型性能与通信效率，并探讨隐私与精度的权衡。