FedClust 是一种聚类联邦学习方法，通过分析局部模型权重与客户数据分布的相关性进行客户分组，能够动态适应新客户。实验结果表明，FedClust 在准确性和通信成本方面优于基线方法。同时，FedAC 框架通过解耦神经网络和不同聚合方法，提高了在非独立同分布环境下的测试准确率。此外，研究还提出了多种新型聚类方法，以解决联邦学习中的数据隐私和性能问题。

本文介绍了一种新型聚类联邦学习方法StoCFL，旨在解决非独立同分布问题，并支持灵活的客户端参与。研究提出了基于聚类的多任务学习框架，强调数据隐私和模型性能。通过改进聚类方法和自适应权重分配，显著提升了模型的训练效果和准确性。