本研究提出了一次性联邦学习的概念，旨在解决传统联邦学习在资源受限和隐私敏感环境下的局限性。通过改进客户端模型初始化、聚合技术和异构数据管理策略，推动了一次性联邦学习的实际应用发展。

本研究针对一次性联邦学习（OFL）在数据和模型异质性方面的挑战，进行了系统分析并提出了创新的分类方法，同时探讨了未来的研究方向。