本文探讨了分割联邦学习（SFL）在高度异构数据上的应用，提出了MiniBatch-SFL和AdaptSFL等新算法，以提高模型的准确性和训练性能。研究表明，SFL结合了联邦学习和分裂学习的优点，有效解决了数据隐私和计算效率问题。实验结果显示，S^2FL在推断准确性和训练速度上均有显著提升。