यह शोधपत्र फ़ेडरेटेड लर्निंग (FL) परिवेशों में नॉइज़ लेबल्स की समस्या के समाधान हेतु एक नवीन पद्धति, FedEFC, का प्रस्ताव करता है। FedEFC, (1) ओवरफिटिंग को रोकने हेतु एक प्रीस्टॉपिंग तकनीक और (2) लेबल नॉइज़ को ध्यान में रखते हुए एक हानि सुधार तकनीक के माध्यम से नॉइज़ लेबल्स के प्रभाव को कम करता है। विशेष रूप से, हम एक प्रभावी हानि सुधार तकनीक विकसित करते हैं जो डेटा विविधता और वितरित लर्निंग की अंतर्निहित चुनौतियों पर विचार करती है। इसके अलावा, हम संयुक्त उचित हानि गुण का उपयोग करके सैद्धांतिक विश्लेषण के माध्यम से प्रदर्शित करते हैं कि नॉइज़ लेबल वितरणों के अंतर्गत FL उद्देश्य फलन को क्लीन लेबल वितरण के साथ संरेखित किया जा सकता है। प्रायोगिक परिणाम दर्शाते हैं कि प्रस्तावित विधि, नॉइज़ लेबल्स के प्रभाव को कम करने में मौजूदा FL तकनीकों की तुलना में अधिक प्रभावी है, और विशेष रूप से विषम डेटा सेटिंग्स में, 41.64% तक प्रदर्शन सुधार प्राप्त करती है।
