该文综述联邦学习中的非独立同分布（Non-IID）数据问题，指出数据异构性对模型训练的负面影响，并介绍多种应对方法，包括数据分区策略、Hybrid-FL的客户端选择、FedAlign、联邦互助学习FML、MDH-FL知识蒸馏及新聚合框架等；实验验证这些方法在Non-IID场景下能提升精度与效率，最后讨论隐私保护与未来研究方向。