CVPR2022，通过在公开数据集上的logits相似性（同类相近、异类原理）来迁移客户端知识，通过上轮模型和初始模型延缓遗忘。
论文地址：openaccess
code: 作者开源
贡献
提出了一种新颖的联邦学习方法，称为 FCCL（联邦互相关和持续学习）。
- 为异构联邦学习制定了一种简单有效的方法。通过利用未标记的公共数据并采用自我监督学习，异构模型实现通信并学习可概括的表示。
- 探索减轻联邦学习中的灾难性遗忘。通过使用更新的和预训练的模型进行域间和域内知识蒸馏，它可以平衡来自他人和自身的知识。
- 使用未标记的公共数据对两个图像分类任务（例如，Digits和Office-Home）进行了广泛的实验。 FCCL 比相关方法具有更优越的域间和域内性能。对核心模块的消融研究验证了其有效性和必要性。
算法流程
主要分为两块，互相关学习（Federated Cross-Correlation Learning）和持续学习（Federated Conti
