本文针对联邦学习（FL）中数据异质性导致的客户端模型性能下降问题，研究了聚类联邦学习（CFL）方法。现有CFL方法在隐私保护、通信成本和计算效率三者之间存在权衡，作者将其形式化为“CFL三难困境”（CFL trilemma）：改善其中两个维度必然以牺牲第三个为代价。一类主流方法通过共享元数据（即客户端数据集的低维表示）给服务器来实现通信与计算高效的聚类，但这类方法与标准FL隐私保护机制（如加密）不兼容。为解决该局限，论文提出FLAMECHE框架，将基于元数据的CFL重新建模为分布式期望最大化（EM）过程，并严格限制服务器端的更新为加法操作，从而在保持聚类效率的同时兼容实用的安全FL方案（如同态加密或安全聚合）。作者在多个数据集和多种异构场景下进行了大量实验，结果表明FLAMECHE能提升客户端模型的有效性（如准确率），并首次实现加密兼容的元数据聚类，显著改善了其在CFL三难困境中的定位。该工作主要贡献包括：形式化CFL三难困境、提出EM视角的分布式聚类方法、设计仅需加法运算的服务器更新机制、并通过实验验证了方法的有效性与加密兼容性。适合联邦学习、隐私保护机器学习及分布式系统方向的研究者和工程师阅读。