（交集相似度度量）：对于每个客户端。

提出了首个支持异构模型架构的公平联邦学习框架，填补了实际FL场景中公平性研究的空白；采用基于特征的知识蒸馏机制，解决异构模型兼容性问题；使用最大均值差异(MMD)损失实现特征分布对齐；客户端不上传模型参数二十上传特征图，采用对抗训练机制，协同训练不同模块。

每种技术都有其独特的应用场景和挑战。在联邦学习环境中，选择哪种技术或技术组合取决于具体的应用需求、可用的计算资源、对隐私保护的要求以及对模型性能的期望。通常情况下，实际部署时可能会结合使用多种技术来平衡隐私保护与模型性能之间的关系。

安全求交集：Private Set Intersection（PSI）Ailce 有集合X，Bob 有集合Y，在进行了PSI之后，Alice可以拿到X与Y的交集，但是不会知道Y中的其他元素。

Ollama是一个开源的工具，专门用于管理和运行各种大模型。它支持多种模型格式，并且可以自动处理模型的依赖关系，使得模型的部署和运行变得非常简单。Ollama的官方网站提供了丰富的模型资源，用户可以根据自己的需求选择合适的模型进行下载和运行。>>>OllamaDeepSeek-R1 是深度求索（DeepSeek）推出的一款高性能大模型，它在多项自然语言处理任务中表现出色，尤其是在文本生成、对话系统

在联邦学习中，异构数据指的是不同客户端的数据分布在特征、标签、样本数量等方面存在差异。这种异质性是联邦学习面临的一大挑战，因为它会影响全局模型的训练效果、稳定性和泛化能力。研究者们通过多种技术手段来应对这一问题，以提升联邦学习的性能和适应性。

联邦学习的鲁棒性是指其在面对多种不确定性、恶意攻击、数据异质性以及客户端动态变化时，仍然保持系统安全性、模型性能和隐私保护能力的综合能力。实现鲁棒性通常需要结合多种技术手段，如异常检测、容错机制、安全聚合和动态客户端管理等。

Ollama是一个开源的工具，专门用于管理和运行各种大模型。它支持多种模型格式，并且可以自动处理模型的依赖关系，使得模型的部署和运行变得非常简单。Ollama的官方网站提供了丰富的模型资源，用户可以根据自己的需求选择合适的模型进行下载和运行。>>>OllamaDeepSeek-R1 是深度求索（DeepSeek）推出的一款高性能大模型，它在多项自然语言处理任务中表现出色，尤其是在文本生成、对话系统

提出了首个支持异构模型架构的公平联邦学习框架，填补了实际FL场景中公平性研究的空白；采用基于特征的知识蒸馏机制，解决异构模型兼容性问题；使用最大均值差异(MMD)损失实现特征分布对齐；客户端不上传模型参数二十上传特征图，采用对抗训练机制，协同训练不同模块。

为解决灾难性遗忘问题，MultiSFL 采用了一种知识重放策略，该策略要求未激活的客户端为每个完整分支模型上传在近期训练数据中分布较少类别的特征，并利用这些特征训练对应的服务器端分支模型。为解决分割联邦学习面对数据异质性和灾难性遗忘的不足，本文呢提出了一种新的 SFL 方法MultiSFL，该方法采用：i）有效的多模型聚合机制，以缓解由异质数据引起的梯度偏差；的增加，主服务器会请求更多数据来训练服