FedClust是一种新型的聚类联邦学习方法，通过测量局部模型权重的相似性解决了非独立同分布数据下的性能下降问题。该方法提高了约45％的模型精度，并显著降低了通信成本。

该研究提出了一种新的算法，通过为参与联邦学习训练的客户分配自适应聚合权重，识别出最有利于特定学习目标的数据分布。实验证明该算法引导的合作在传统联邦学习方法上取得了更好的表现，强调了客户选择的重要性。