个性化联邦学习盯住每个样本的表征漂移：CIFAR-100上63.05%，比最强基线高5.96个百分点
个性化联邦学习要在共享知识与客户端本地适配之间取平衡，但非独立同分布数据和部分客户端参与会让共享表征在通信轮次间漂移。FedEAGD为每个客户端维护一个指数滑动平均教师，用样本当前与历史共享表征的余弦差异度量漂移，并据此逐样本调整历史蒸馏强度，同时按阶段逐步引入个性化残差。在CIFAR-100、Dirichlet浓度参数α=0.1的设置下，它取得63.05%的准确率，比所评估的最强基线高5.96个百分点。