有些原理看着简单，做个记录吧，需要的时候再细看吧
FedGH: Heterogeneous Federated Learning with Generalized Global Header
论文：arxiv ACMMM2023
code: 作者开源
上传类别原型，server用原型训练分类器，广播分类器。本地训练时，特征提取器和分类器同时更新（没有看到交替更新啥的对比实验）。
FedSSA: Semantic Similarity-based Aggregation for Efficient Model-Heterogeneous Personalized Federated Learning
论文：arxiv IJCAI2024
code: 作者开源
将最后一层的fc（分类器）拆分上传，没有对应的类别就不用上传。按找类别进行聚合，最后拼成完整的fc，广播回传。
pFedAFM: Adaptive Feature Mixture for Batch-Level Personalization in Heterogeneous Federated Learning
论文：arxiv ICDE2025
code: 作者开源
服务端使用同构的辅助模型聚合。本地训练时，先固定辅助模型，训练异构模型Hetero. Extractor+分类器header+特征加权参数 α \alpha α，只计算标签损失。然后固定其他仅训练同构的辅助模型，也仅用标签损失。
