Dans cet article, nous proposons un nouveau cadre, FedProj, pour résoudre les difficultés de l'apprentissage fédéré face à une hétérogénéité généralisée des données. Nous soulignons le problème de l'oubli de la frontière de décision globale par les méthodes existantes en raison de l'hétérogénéité des données, et l'analysons expérimentalement à travers un exemple simple. Les résultats de l'analyse montrent que les méthodes existantes oublient la frontière de décision globale et n'apprennent que la frontière de décision locale, quels que soient les poids initiaux. Pour un apprentissage robuste de la frontière de décision globale et éviter l'oubli, FedProj conçoit une perte de transfert de connaissances d'ensemble côté serveur afin d'améliorer la fusion des connaissances d'ensemble, et utilise le logit d'ensemble moyen des données non étiquetées, non accessible au public, comme mémoire épisodique pour ajuster la mise à jour du gradient du processus d'apprentissage local. Les résultats expérimentaux montrent que FedProj surpasse significativement les méthodes de pointe.
