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。

本研究探讨了劣质数据对分散式联邦学习模型训练的影响。模拟结果表明，基于平均值的分散学习对局部坏数据具有显著的鲁棒性，尤其是当劣质数据集中在单个节点时。这表明平均过程能够有效限制单一节点对整体学习的影响，从而促进更稳健的分散学习模型的发展。

本文介绍了一种采用随机梯度下降算法的分散式联邦学习（DFL）模型，用于改善代理网络中的学习性能。实验中测试了三种DFL调度策略的收敛性、准确性和损失，结果显示调度策略对收敛速度和全局模型有影响。