本研究提出了一种创新的通信方案，针对边缘网络中分散式联邦学习的性能挑战，解决了多跳带宽受限的问题。该算法将训练时间缩短超过80%，提高了计算效率并保持了准确性。

在物联网时代，分散的机器学习变得重要。本文提出了一种基于设备模型权重欧氏距离的联邦学习模型，用于评估模型相似性。通过模型权重的接近程度来指导设备联盟，并利用重心合并更新。实验表明，该方法在均匀和异构数据分布下，与传统算法相比，具有结构化和高效通信的潜力。

该文介绍了利用卫星集群上的半监督学习进行神经网络基准测试的方法，以节省通信和操作成本。同时，采用分散和联邦学习方法的任务场景，实现了高精度的收敛。