यह शोधपत्र फेडरेटेड लर्निंग में क्लाइंट और टारगेट डोमेन के बीच लेबल शिफ्ट के कारण होने वाले प्रदर्शन ह्रास को दूर करने के लिए एक नवीन मॉडल एकत्रीकरण विधि, FedPALS, का प्रस्ताव करता है। FedPALS, टारगेट डोमेन के आधार पर मॉडल एकत्रीकरण को समायोजित करने के लिए एक केंद्रीय सर्वर से लेबल वितरण जानकारी का लाभ उठाता है, जिससे लेबल शिफ्ट के साथ विविध क्लाइंट डेटा में सुदृढ़ सामान्यीकरण प्राप्त होता है। FedPALS, फेडरेटेड स्टोकेस्टिक ग्रेडिएंट डिसेंट (SGD) के तहत विरूपण-मुक्त अपडेट की गारंटी देता है, और छवि वर्गीकरण कार्यों पर व्यापक प्रयोग मौजूदा विधियों की तुलना में इसके बेहतर प्रदर्शन को प्रदर्शित करते हैं। विशेष रूप से, हम प्रदर्शित करते हैं कि मौजूदा फेडरेटेड लर्निंग विधियों के प्रदर्शन में तब भारी गिरावट आती है जब क्लाइंट लेबल गंभीर रूप से अपर्याप्त होते हैं, जो FedPALS द्वारा प्रस्तावित टारगेट डोमेन-अवेयर एग्रीगेशन के महत्व को उजागर करता है।