论文链接（AAAI2023）
文章解决的问题主要是NO-IID问题。
文章的方法包括几个关键的技术和策略，具体如下：
-
二元分类框架：
FedABC利用二元分类的训练策略来解决每个类别的个性化问题。这意味着对于每个类别都训练一个独立的二元分类器，从而使得每个类别都能得到足够的关注，即使是那些样本较少的类别。
-
欠采样和硬采样策略：
为了处理数据中的类别不平衡问题，FedABC采用了欠采样技术，这可以帮助模型减少对多数类的过分关注，从而提高对少数类的分类性能。
硬采样（hard sample mining）策略被用来进一步提升模型对于难以分类样本的关注，这有助于模型在处理难题时获得更好的性能。
-
个性化学习策略：
文章强调了在极端非独立同分布（Non-IID）情况下，通过个性化模型来适应每个客户端的数据分布，这种策略可以显著提高模型在本地客户端数据上的表现。
主要就是提出了二元分类策略，将多分类变成n个二分类任务，每个二分类任务将本类别内的样本作为正样本，其他所有的类别作为负样本，这样能显著减少NOIID的影响。当然缺点应该是需要同时训练n个模型，计算的代价变高了。
