LABEL-DISTRIBUTION-AGNOSTIC ENSEMBLE LEARNING ON FEDERATED LONG-TAILED DATA

看完一篇论文总得总结一下，学习到了什么东西。

这是一篇被拒的论文。

论文研究联邦长尾学习。如果能得到每个客户的各类别数量信息，就可以从全局的角度进行re-balance。为了保护隐私，提出一种方法来估计每个客户的各类别数量信息。文章的核心就是怎么估计这个类别数量信息，从而得到全局的先验信息，进而进行平衡训练。

贴一下他的loss

一顿操作猛如虎，结果用的是BSM。但是与FedROD不同，他用的分布是Global训练数据的先验分布，而不是Local DIstribution。按论文的栗子，我是这么理解的：

按他的栗子来，n0+：30,         n0- ：70                              n1+：800,         n1-：200

这样算来全局分布约等于 n+：0.75,         n-：0.25

相当于C0相较全局是反长尾的，不能按照本地分布进行矫正。好像有点