本文介绍了一种实现联邦特征多样化的方法，通过共享全局模型参数的聚合平均统计数据，每个本地客户端可以使自身的有限领域数据多样化，以实现学习与客户端无关的表示并保护隐私。作者还提出了一种针对测试领域数据的实例自适应推理方法，通过动态调整特征统计与测试输入的一致性，减小测试和训练领域之间的差距。该方法在联邦学习设置下，在几个领域泛化基准上取得了最先进的性能。

本论文提出了基于领域自适应的方法，利用无监督训练样本中的领域信息构建领域自适应模型，用于未见过领域的预测任务。该方法在各种领域泛化基准上表现出最先进的性能，并引入了新的大规模领域泛化基准Geo-YFCC。