يقترح المؤلفون إطار عمل FedKT-CSD للتعلم الموحد أحادي الطور الذي يتعامل مع تحدي الحفاظ على جودة النموذج والخصوصية عندما تنحرف توزيعات بيانات العملاء. تستخدم الطريقة محولات تلقائية (autoencoders) مدربة مسبقًا بشكل عام لإنشاء فضاء كامِن مشترك حيث يقوم العملاء بتشفير البيانات الخاصة ونقل الإحصائيات المشروطة بالفئة.
- يقوم العملاء بتمرير أمامي واحد لحساب الإحصائيات الكامِنة، مما يحافظ على خفة حسابات جانب العميل.
- يجمع الخادم هذه الإحصائيات عبر التجميع الآمن ويضيف ضوضاء الخصوصية التفاضلية المعايرة.
- يتم فك تشفير مجموعة بيانات اصطناعية من الإحصائيات المجمعة لتدريب نموذج عالمي.
- يوفر التصميم خصوصية تفاضلية رسمية $(\varepsilon,\delta)$ عن طريق البناء.
يمكن قياس FedKT-CSD لعدد كبير من العملاء وهو تنافسي أو يتفوق على الخطوط الأساسية غير الخاصة عبر مجموعات بيانات وإعدادات عدم تجانس متنوعة.