यह शोधपत्र फ़ेडरेटेड लर्निंग (FL) में गोपनीयता बनाए रखते हुए निष्पक्षता प्राप्त करने के लिए एक नवीन दृष्टिकोण प्रस्तुत करता है, जिसे वक्रता-संरेखित फ़ेडरेटेड लर्निंग (CAFe) कहा जाता है। संवेदनशील विशेषता जानकारी पर निर्भर मौजूदा FL निष्पक्षता विधियों के विपरीत, CAFe संवेदनशील विशेषता जानकारी के बिना निष्पक्षता प्राप्त करने के लिए "जनसांख्यिकी रहित निष्पक्षता (FWD)" की अवधारणा प्रस्तुत करता है। CAFe, स्थानीय लर्निंग के दौरान हानि भू-भाग वक्रता नियमन और क्लाइंट्स के बीच हानि भू-भाग तीक्ष्णता-जागरूक एकत्रीकरण के माध्यम से क्लाइंट्स के भीतर और उनके बीच वक्रता को संरेखित करता है ताकि निष्पक्षता और प्रदर्शन के बीच संतुलन को बेहतर बनाया जा सके। हम विभिन्न वास्तविक-विश्व डेटासेट और संसाधन-सीमित उपकरणों के साथ एक वास्तविक FL परिनियोजन परिवेश में प्रयोगों के माध्यम से CAFe की प्रभावशीलता और व्यावहारिकता की पुष्टि करते हैं।