分散的虹膜数据集之间的异质性阻碍了当前深度学习框架实现具有强大泛化性能的识别。这激励我们利用联邦学习的优点来解决这些问题。然而，传统的联邦学习算法通常采用模型共享进行知识传输，简单的平均聚合缺乏可解释性，客户端的不同优化方向导致性能降低。为了克服这种干扰，本工作提出了具有坚实理论基础的联邦虹膜识别，试图利用虹膜模板作为通信载体，并为知识传输制定联邦三元组。此外，虹膜数据集之间的巨大异质性可能会引发负面传递和不稳定的优化。将改进的瓦瑟斯坦嵌入联邦三元组损失中以重新加权全局聚合，推动具有相似数据分布的客户端相互更多地贡献。