Cet article propose une nouvelle méthode, FedCT, pour améliorer les stratégies d'apprentissage croisé en apprentissage fédéré. FedCT utilise trois modules pour résoudre les problèmes d'inadéquation des objectifs d'optimisation et d'hétérogénéité de l'espace des caractéristiques causés par les différences de distribution des données. Le module de diffusion des connaissances, sensible à la cohérence, optimise une stratégie d'attribution de modèles qui améliore la collaboration entre les clients pour un apprentissage fédéré efficace. Le module d'apprentissage par représentation multi-perspectives, guidé par les connaissances, exploite les connaissances des prototypes, tant au niveau global que local, afin de garantir la préservation des connaissances locales et la cohérence entre les connaissances locales et globales avant et après l'échange de modèles. Enfin, le module d'augmentation des caractéristiques basé sur le mixup augmente la diversité de l'espace des caractéristiques afin de mieux distinguer les échantillons complexes. Les résultats expérimentaux démontrent que FedCT surpasse les méthodes de pointe existantes et atténue la perte de connaissances, tant au niveau local que global.
