Federated learning (FL) plays an important role in collaborative distributed modeling. However, most studies cannot address poor generalization of out-of-distribution (OoD) data. Efforts have been exerted to address data heterogeneity among participants, but yielding limited success. Here, we propose an information bottleneck based FL method (FedIB), which aims to build a model with better OoD generalization. We extract the domain-invariance of different source domains to mitigate the domain heterogeneity under the cross-silo scenarios. Next, given the scale imbalance, we balance the representation importance of different domains with reweighting a better invariance across multiple domains. In addition, the convergence of FedIB is analyzed. As opposed to aligning distributions or eliminating redundancy by previous methods, FedIB achieves better domain generalization explicitly by eliminating the pseudo-invariant features. Finally, we conduct extensive experiments on various datasets revealing that FedIB has superior performances facing OoD and scale imbalance scenarios in distributed modeling.

Few-shot object detection (FSOD) shines in identifying novel category targets with limited support samples, making it well-suited for scenarios with restricted data availability. However, FSOD suffers challenges in acquiring indicative discrimination features due to the limited availability of support samples and the substantial variations in object shapes, sizes, and distributions. To tackle this problem, we present a novel few-shot object detector with fine-grained support information guidance based on Meta R-CNN. A support-commonalities enhancement module is proposed to highlight the commonality of support sample features channel-wise and preserve spatial information by external attention mechanism to extract more representative category features of support samples. Furthermore, a fine-grained aggregation module is designed to optimize pixel-wise spatial alignment of information between support and query features for generating high-quality proposals. In addition, the classification compensation module aggregated the enhanced support information in classification branches to enhance the model's classification accuracy for the proposed objects. Finally, the proposed detector's effectiveness is validated through ablation and comparison experiments performed on the MS COCO datasets.