arXiv 2026年10月6日该工作先建立数据增强与联邦学习收敛行为的关系，指出降低标签比例不平衡可加速收敛，进而提出 DAFL：服务器在已知各客户端类别计数的条件下，以最小化增强与训练时间并约束全局类别不平衡为目标，为每个客户端-类别对分配最小增强量；在 CIFAR-10 八类、八个客户端的六种不平衡配置上，DAFL 在 D2、D4、D5、D6 取得更高少数类 F1 且训练时间更短，在 D2 上少数类 F1 为 0.183±0.055、收敛时间 188.119±86.344 秒，优于 FedProx 与 Focal Loss。该工作先建立数据增强与联邦学习收敛行为的关系，指出降低标签比例不平衡可加速收敛，进而提出 DAFL：服务器在已知各客户端类别计数的条件下，以最小化增强与训练时间并约束全局类别不平衡为目标，为每个客户端-类别对分配最小增强量；在 CIFAR-10 八类、八个客户端的六种不平衡配置上，DAFL 在 D2、D4、D5、D6 取得更高少数类 F1 且训练时间更短，在 D2 上少数类 F1 为 0.183±0.055、收敛时间 188.119±86.344 秒，优于 FedProx 与 Focal Loss。DAFL 通过分布式增强分配在 CIFAR-10 联邦学习中将少数类 F1 提升至 0.183 并缩短收敛时间该工作先建立数据增强与联邦学习收敛行为的关系，指出降低标签比例不平衡可加速收敛，进而提出 DAFL：服务器在已知各客户端类别计数的条件下，以最小化增强与训练时间并约束全局类别不平衡为目标，为每个客户端-类别对分配最小增强量；在 CIFAR-10 八类、八个客户端的六种不平衡配置上，DAFL 在 D2、D4、D5、D6 取得更高少数类 F1 且训练时间更短，在 D2 上少数类 F1 为 0.183±0.055、收敛时间 188.119±86.344 秒，优于 FedProx 与 Focal Loss。该工作先建立数据增强与联邦学习收敛行为的关系，指出降低标签比例不平衡可加速收敛，进而提出 DAFL：服务器在已知各客户端类别计数的条件下，以最小化增强与训练时间并约束全局类别不平衡为目标，为每个客户端-类别对分配最小增强量；在 CIFAR-10 八类、八个客户端的六种不平衡配置上，DAFL 在 D2、D4、D5、D6 取得更高少数类 F1 且训练时间更短，在 D2 上少数类 F1 为 0.183±0.055、收敛时间 188.119±86.344 秒，优于 FedProx 与 Focal Loss。