1. 选择数据集

主要有2类：图片分类、文本分类

2. 选择模型

图像分类使用的模型
ResNet-8
EfficientNet
ShuffleNet v2
MobileNet v2
文本分类使用的模型
FastText
TextCNN

3. 评价指标

分类准确率（Accuracy）：…………
通信成本（Communication Cost）：每一轮联邦学习中客户端和服务器之间传输的参数数量。

4. 对比算法

LG-FedAvg
FML
FedKD
FedDistill
FedProto
FedTGP

5. 实验（图）

5.1 图1解释

x轴：横轴有四组方法- FedAvg（1000）- FedAvg（2000）- PBFL（1000）- PBFL（2000），括号中的 1000 和 2000 表示特征层/原型的维度设置。
y轴：每一轮联邦学习需要传输的参数数量（百万为单位）。
颜色：三种颜色代表分类任务的类别数量！

这张图主要想表达：PBFL 在类别通信优势非常明显（高维、多类别量）；

5.2 图2解释

这张图是在说明 CPS（Class-wise Prototype Sparsification，按类别进行原型稀疏化）为什么能够降低通信量。
（a）表示没有使用 CPS时，第 2 类原型在各个客户端上的情况。
每一行 L0～L9 代表一个客户端；最下面的 G 表示聚合后的全局原型。
表达：服务器聚合时，只要某个客户端在某个维度上有非零值，全局原型就可能在该维度上保留信息。这样一来，最后的全局原型可能覆盖几乎全部 500 个维度。
（b）表示使用 CPS之后的情况。

（c）（d）：ab是针对每个客户端的原型，而cd是针对全局原型

5.3 图3解释

这张图展示的是 TinyProto 一轮联邦学习如何压缩、聚合并使用类别原型。图中只是一个示意例子：5 个类别、每个原型 5 维、共有 M 个客户端。
①客户端本地训练；②生成并压缩本地原型；③上传压缩后的原型；④服务器按类别聚合；⑤服务器下发全局原型；客户端重构并用于下一轮训练。【TMD，这跟我之前看过的那篇Fedselect吗？】

5.4 图4解释

TinyProto-FT 把原型压缩到不同程度时，分类准确率会怎么变化？
做了3个数据集上的对应实验，横轴上的 50、150、250、350、450，表示每个类别原型保留多少个特征维度。论文默认原型维度是 500
红色虚线是表1中表现较好的对比基线准确率，用来参照 TinyProto-FT 是否优于已有方法。三张图里的 TinyProto-FT 曲线都高于各自的虚线，表示即使改变保留维度，它在这些设置下仍超过该基线。