研究表明，Batch Normalization 和 Group Normalization 在分布式学习中效果相似，但前者更具适用性。提出的 FedBN 方法通过本地批量归一化改善特征转移问题，提升联邦学习的收敛性。FedAP 算法通过个性化批量规范化提高模型准确性，尤其在医疗基准测试中表现优异。此外，研究探讨了多域联邦学习的挑战，并提出无标准化方法 FedWon，显示出更强的性能。