Addressing Class Imbalance in Federated Learning： AAAI 2021

 这篇算是研究FL与Class Imbalance比较早的论文吧？

In this work, we propose a monitoring scheme that can infer the composition of training data for each FL round, and design a new loss function – Ratio Loss to mitigate the impact of the imbalance.

（那如果我们放宽条件，直接就可以得到训练数据的组成呢？不能总是被别人的提出的框框限制住呀）

设计一个monitor，当发现类别不平衡时就应用Ratio Loss？ 

咱也看不懂他是怎么设计的monitor，咱就假设可以知道想要的信息（类别分布）了，然后Ratio Loss是啥呢？

 好像就是在Loss前面加了个Ratio？

感觉论文的Ratio Loss这部分篇幅比较小，没有着重分析。

结论：肯定是不能顺着他的路继续研究怎么推断Client的类别分布了，太难了。既然类别分布信息这么重要，我们就假定我们可以知道吧。在研究FL的Global Imbalance问题时，训练数据的分布信息很重要。