本技术设计了一个基于锚点的联邦特征匹配方法FedFM，旨在解决联邦学习中因数据异构导致的客户端特征空间不一致及类别重叠问题 。该方法利用共享的全局类别均值作为特征空间的地标，指导各客户端将本地特征与全局锚点对齐，同时结合对比引导损失函数，强制本地特征靠近对应类别锚点并远离非对应锚点，从而构建紧凑且边界清晰的特征空间 。此外，该技术还提出了一种通信高效的变体FedFM-Lite以适应带宽限制，并在理论层面克服了时变目标函数的挑战，证明了该算法的收敛性，确保了模型在降低通信成本的同时优于现有最先进方法的性能 。