*A state-of-the-art survey on solving non-IID data in Federated Learning*(<font color="#f00">還沒有整理完</font>font>)
https://www.sciencedirect.com/science/article/pii/S0167739X22001686

1. non-iid type
1. Feature distribution skew
* P_k (x)不同，但是P_k (y|x) 相同
* 例如兩個人寫的5一個粗一個係(feature不同，P_k (x)不同)，但寫粗的都是5
2. Label distribution skew
* P_k (y)不同，但是P_k (x|y)相同
* 在client A的資料庫中有90% 1 10% 2；在client B的資料庫中則是9% 1 5% 2。 P_A (1)與P_B (1)不同，但是P_A (x|y)與P_B (x|y)相同
3. Same label, different features
* P_k (x|y)不同，但是P_k (y) 相同
4. Same features, different label
* P_k (y|x)不同，但是P_k (x) 相同
5. Quantity skew
* Quantity skew refers to the large difference in the quantity of different client data Pi(x, y)
* A有100比data而B有1000000比data
2. 解決non-iid方式