यह शोधपत्र फ़ेडरेटेड लर्निंग में क्रॉस-ट्रेनिंग रणनीतियों को बेहतर बनाने के लिए एक नवीन विधि, FedCT, का प्रस्ताव करता है। FedCT, डेटा वितरण में अंतर के कारण होने वाले अनुकूलन उद्देश्य बेमेल और फ़ीचर स्पेस विषमता संबंधी समस्याओं को दूर करने के लिए तीन मॉड्यूल का उपयोग करता है। संगति-जागरूक ज्ञान प्रसारण मॉड्यूल एक मॉडल असाइनमेंट रणनीति का अनुकूलन करता है जो कुशल फ़ेडरेटेड लर्निंग के लिए क्लाइंट्स के बीच सहयोग को बढ़ाता है। बहु-परिप्रेक्ष्य ज्ञान-निर्देशित प्रतिनिधित्व लर्निंग मॉड्यूल, मॉडल एक्सचेंज से पहले और बाद में स्थानीय ज्ञान संरक्षण और स्थानीय और वैश्विक ज्ञान के बीच संगति सुनिश्चित करने के लिए वैश्विक और स्थानीय, दोनों दृष्टिकोणों से प्रोटोटाइप ज्ञान का लाभ उठाता है। अंत में, मिक्सअप-आधारित फ़ीचर संवर्धन मॉड्यूल जटिल नमूनों में बेहतर अंतर करने के लिए फ़ीचर स्पेस विविधता को बढ़ाता है। प्रायोगिक परिणाम दर्शाते हैं कि FedCT मौजूदा अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है और स्थानीय और वैश्विक, दोनों दृष्टिकोणों में ज्ञान हानि को कम करता है।
